美しいスープの解析に失敗しました

Question

私はページをクロールしようとしています。クロールしているページから電話番号を取得しようとしています。beautifulsoupのドキュメントを参照すると、助言がありますか ？ここ

はコード

Main.py

#!/usr/bin/env python 
# -*- coding: utf-8 -*- 

import requests 
import urllib 
from bs4 import BeautifulSoup 


glimit = 100 


def my_spider(max_pages): 
    page = 2 
    while page <= max_pages: 
     url = 'http://www.bbb.org/search/?type=name&input=constrution&location=Austin%2c+TX&filter=combined&accredited=&radius=5000&country=USA&language=en&codeType=YPPA' 
     url_2 = url + '&page='+ str(page) +'&source=bbbse' 
     source_code = requests.get(url_2) 
     plain_text = source_code.text 
     soup = BeautifulSoup(plain_text, "html5lib") 
     limit = glimit 
     li = soup.find('h4', {'class': 'hcolor'}) 
     children = li.find_all("a") 
     for result in children: 
      href = "http://www.bbb.org" + result.get('href') 
      owl = (result.string) 
      print owl 
      get_single_item_data(href) 
     page += 1 



def get_single_item_data(item_url): 
    source_code = requests.get(item_url) 
    plain_text = source_code.text 
    soup = BeautifulSoup(plain_text, "html5lib") 
    limit = glimit 
    mysoup = soup.findAll('h3',{'class': 'address__heading' })[:limit] 
    mysoup2 = mysoup.find_all("a") 
    for item in mysoup2: 
     href = "http://www.bbb.org" + item.get('href') 
     print (item.string) 


my_spider(2) 

、ここでは、エラーがあなたのコード内で様々な問題を抱えている

Traceback (most recent call last): 
    File "main.py", line 44, in <module> 
    my_spider(2) 
    File "main.py", line 27, in my_spider 
    get_single_item_data(href) 
    File "main.py", line 33, in get_single_item_data 
    source_code = requests.get(item_url) 
    File "/usr/lib/python2.7/dist-packages/requests/api.py", line 55, in get 
    return request('get', url, **kwargs) 
    File "/usr/lib/python2.7/dist-packages/requests/api.py", line 44, in request 
    return session.request(method=method, url=url, **kwargs) 
    File "/usr/lib/python2.7/dist-packages/requests/sessions.py", line 421, in request 
    prep = self.prepare_request(req) 
    File "/usr/lib/python2.7/dist-packages/requests/sessions.py", line 359, in prepare_request 
    hooks=merge_hooks(request.hooks, self.hooks), 
    File "/usr/lib/python2.7/dist-packages/requests/models.py", line 287, in prepare 
    self.prepare_url(url, params) 
    File "/usr/lib/python2.7/dist-packages/requests/models.py", line 334, in prepare_url 
    scheme, auth, host, port, path, query, fragment = parse_url(url) 
    File "/usr/lib/python2.7/dist-packages/urllib3/util.py", line 390, in parse_url 
    raise LocationParseError("Failed to parse: %s" % url) 
urllib3.exceptions.LocationParseError: Failed to parse: Failed to parse: www.bbb.orghttp: 

Answer 1

です。

1）href = "http://www.bbb.org" +は必要ありません。 "http://www.bbb.org"を削除します。リンクにはすでにホストが存在するためです。

2）

mysoup = soup.findAll('h3',{'class': 'address__heading' })[:limit] 
mysoup2 = mysoup.find_all("a") 

リスト内aタグを見つけようとしています。 mysoupを反復するか、findAllの代わりにfindを使用する必要があります。

コードを更新しました。それを見つけるhere。