无法使用 Python 和 Beautiful Soup 从网站中提取日期值

Question

我想从一个网站中提取日期。我想要发布新闻文章的日期/时间。 这是我的代码：

从 bs4 导入 BeautifulSoup 导入请求

url = "http://buchholterberg.ch/de/Gemeinde/Information/News/Newsmeldung?filterCategory=22&newsid=911"
response = requests.get(url)
soup = BeautifulSoup(response.content, 'html.parser')


date_tag = 'div#middle p' # this gives me all the paragraphs
date = soup.select(date_tag)
print(date)

你也可以试试这个网站：

url = 'http://www.embrach.ch/de/aktuell/aktuellesinformationen/?action=showinfo&info_id=1098080'

请查看url，这是我要抓取的网站，我要获取的日期/时间是：13:05:28 26.11.2020

这是我的 css 选择器，它只给我段落，但日期/时间不在段落中，它在字体标签中。

date_tag = 'div#middle p'

但是当我将我的 css 选择器设置为：

date_tag = 'div#middle font'

我得到 []

是否可以提取不在任何子标签中的数据？

Answer 1

如果您抓取这些元素，您会注意到 date 是 <h1> 标记的下一个兄弟节点。所以获取<div id="middle"> 标签。然后在该标签中，获取<h1> 标签。然后从那个<h1>标签，得到.nextSibling（如果它放在某个标签元素之前，还有.previousSibling），它是文本。那么这只是一些字符串操作的问题。

代码：

import requests
from bs4 import BeautifulSoup

url = "http://buchholterberg.ch/de/Gemeinde/Information/News/Newsmeldung?filterCategory=22&newsid=911"
response = requests.get(url)
soup = BeautifulSoup(response.content, 'html.parser')

date = soup.find_all('div',{'id':'middle'})
print(date)

for each in date:
    print(each.find('h1').nextSibling.split(':',1)[-1].strip())

输出：

13:05:28 26.11.2020

Answer 2

您还必须提取整个文本，因为它们都是相同的元素。但是你可以做的是获取元素，因为它基本上是相同的，除了几分钟，我认为这无关紧要。如果您在选择 h1 元素方面需要帮助，请告诉我