使用 BeautifulSoup 根据日期删除条目答案

【问题标题】：Deleting entries based on date with BeautifulSoup使用 BeautifulSoup 根据日期删除条目
【发布时间】：2020-02-07 16:33:55
【问题描述】：

我有一个如下所示的 XML 文件：

?xml version="1.0" encoding="UTF-8"?>
  <url>
    <lastmod>2020-02-04T16:21:00+01:00</lastmod>
    <loc>https://www.h.com</loc>
  </url>
  <url>
    <lastmod>2020-01-31T17:17:00+01:00</lastmod>
    <loc>https://www.h.com</loc>
  </url>
  <url>
    <lastmod>2020-01-27T13:53:00+01:00</lastmod>
    <loc>https://www.h.coml</loc>
  </url>

如下所示的 datetime.date：

datetime.date(2020, 02, 01)

如果<lastmod> 标记中的日期早于给定的datetime.date，是否可以使用BeautifulSoup 删除/删除<url> 标记的内容？

结果如下：

?xml version="1.0" encoding="UTF-8"?>
  <url>
    <lastmod>2020-02-04T16:21:00+01:00</lastmod>
    <loc>https://www.h.com</loc>
  </url>

有人可以帮忙吗？

【问题讨论】：

你需要比较时间，Python time comparison会有帮助

标签： python beautifulsoup

【解决方案1】：

这样好吗？

import time
from simplified_scrapy.simplified_doc import SimplifiedDoc
html = '''
<?xml version="1.0" encoding="UTF-8"?>
<url>
  <lastmod>2020-02-04T16:21:00+01:00</lastmod>
  <loc>https://www.h.com</loc>
</url>
<url>
  <lastmod>2020-01-31T17:17:00+01:00</lastmod>
  <loc>https://www.h.com</loc>
</url>
<url>
  <lastmod>2020-01-27T13:53:00+01:00</lastmod>
  <loc>https://www.h.coml</loc>
</url>
'''
doc = SimplifiedDoc(html)
urls = doc.urls
startTime = time.strptime("2020-2-1", "%Y-%m-%d")
removeList=[]
for url in urls:
  lastmod = url.lastmod.html # Get lastmod
  tm = time.strptime(lastmod[0:lastmod.find('+')], "%Y-%m-%dT%H:%M:%S")
  if tm<startTime:
    removeList.append(url)
n = len(removeList)
html = doc.html
while n>0: # Delete data in reverse order
  n-=1
  url = removeList[n]
  html = html[0:url._start]+html[url._end:] # Delete url data
print (html.strip())

结果：

<?xml version="1.0" encoding="UTF-8"?>
<url>
  <lastmod>2020-02-04T16:21:00+01:00</lastmod>
  <loc>https://www.h.com</loc>
</url>

【讨论】：

【解决方案2】：

如果您使用的是python >=3.7，您可以通过以下方式将时间字符串（为方便起见，以下命名为your_date_string）转换为时间：

datetime.strptime(your_date_string, '%Y-%m-%dT%H:%M:%S%z')

如果是较旧的python版本，则需要从时区中删除最后一个冒号

if your_date_string[-3] == ':': 
    your_date_string = your_date_string[:-3]+ your_date_string[-2:]

【讨论】：