0

code:

blok[0].find_all('span')

out

[<span>(11/20 11:46)</span>,
 <span class="PhotoIcon"></span>,
 <span>(11/20 11:04)</span>,
 <span class="PhotoIcon"></span>,
 <span>(11/20 10:49)</span>,
 <span class="PhotoIcon"></span>,
 <span>(11/20 10:45)</span>,
 <span>(11/20 08:58)</span>,
 <span class="PhotoIcon"></span>,
 <span>(11/20 07:43)</span>,
3
  • pythonのwebスクレイピングの方法はたくさんあります。質問者さんの質問内容だけではそのどれを、どのように使用しているのか分からないので、回答は難しいと思いますよ。
    – dameo
    Commented 2022年11月20日 5:07
  • 1
    解決済みなので, BeautifulSoup だと判断しタグ付けました。が, 似たような別のライブラリーが存在しないとも限らないので(質問者さんの方から)質問内容もしくはタグで記したほうがよいです
    – oriri
    Commented 2022年11月20日 10:30
  • まず早わかりツアー, ヘルプセンター, そして 質問にあたってなども目を通しておくとよいかもです。 この質問「pythonのwebスクレイピングでタグのclassが〜」に対して, (このコメントの)現在 5 件の回答があり, そのうちの 3つは本当の回答で, あとの 2つの回答には質問者さんが投稿した 続きの質問? と どれかの回答に対するコメントが「回答のひとつ」として投稿されています。コメントにするなら正しくコメントを付け直したほうがよいでしょうし, 追加の質問?は削除したほうがよいでしょう(削除だけなら管理者でもできるかもだが)
    – oriri
    Commented 2022年11月23日 3:35

5 件の回答 5

0

そのサンプルなら HTML パーサーを使わずにただ文字列正規表現で検索するだけでよさそう

import re

blok = ['''
<span>(11/20 11:46)</span>
<span class="PhotoIcon"></span>
<span>(11/20 11:04)</span>
<span class="PhotoIcon"></span>
<span>(11/20 10:49)</span>
<span class="PhotoIcon"></span>
<span>(11/20 10:45)</span>
<span>(11/20 08:58)</span>
<span class="PhotoIcon"></span>,
<span>(11/20 07:43)</span>
''']
print(re.findall('<span>.*</span>', blok[0]))

実行結果

['<span>(11/20 11:46)</span>', '<span>(11/20 11:04)</span>', '<span>(11/20 10:49)</span>', '<span>(11/20 10:45)</span>', '<span>(11/20 08:58)</span>', '<span>(11/20 07:43)</span>']
0
0

class が入っていないタグを収集する

CSS セレクタの場合。

from bs4 import BeautifulSoup
from pprint import pprint

html = '''
<span>(11/20 11:46)</span>
<span class="PhotoIcon"></span>
<span>(11/20 11:04)</span>
<span class="PhotoIcon"></span>
<span>(11/20 10:49)</span>
<span class="PhotoIcon"></span>
<span>(11/20 10:45)</span>
<span>(11/20 08:58)</span>
<span class="PhotoIcon"></span>
<span>(11/20 07:43)</span>
'''
soup = BeautifulSoup(html, 'html.parser')
elms = soup.select('span:not([class])')
pprint(elms)

#
# [<span>(11/20 11:46)</span>,
#  <span>(11/20 11:04)</span>,
#  <span>(11/20 10:49)</span>,
#  <span>(11/20 10:45)</span>,
#  <span>(11/20 08:58)</span>,
#  <span>(11/20 07:43)</span>]
7
  • BeautifulSoupの確認をすべきかと思いますよ。
    – dameo
    Commented 2022年11月20日 7:01
  • そのままコピペをしましたが、エラーが出てきて、 できていません。
    – ytk064
    Commented 2022年11月20日 7:56
  • @ytk064 こちらの環境は Python 3.10.6/BeautifulSoup 4.11.1 です。具体的にどの様なエラーが発生しているのでしょうか?(解決済みなのでご返事なさらなくても構いません)
    – metropolis
    Commented 2022年11月20日 8:27
  • エラーではなく、text抽出のみを取得したいのです! たとえば、<span>タグのみを削除。
    – ytk064
    Commented 2022年11月21日 10:38
  • コード <li class="business" id="g_ASQCP5DZ2QCPULFA00L"><a href="/articles/ASQCP5DZ2QCPULFA00L.html">第2次補正予算案の基金、過去最高の8.9兆円 無駄の温床と批判も<span class="Time"></span><div class="icons"> </div> <span class="CountTwitter"><img alt="ツイッター" src="//www.asahicom.jp/images/icon_twitter.gif"> <span id="g_t_ASQCP5DZ2QCPULFA00L">0</span></img></span> <span class="CountFacebook"><img alt="フェイスブック" height="14" src="//www.asahicom.jp/css/images/icon_facebook_logo.png" width="14"/> <span id="g_f_ASQCP5DZ2QCPULFA00L">0</span></span> </a></li>
    – ytk064
    Commented 2022年11月21日 10:40
0

たぶん BeautifulSoup かと思うので

In [1]: from bs4 import BeautifulSoup
   ...:
   ...: html = '''<block>
   ...:  <span>(11/20 11:46)</span>,
   ...:  <span class="PhotoIcon"></span>,
   ...:  <span>(11/20 11:04)</span>,
   ...:  <span class="PhotoIcon"></span>,
   ...:  <span>(11/20 10:49)</span>,
   ...:  <span class="PhotoIcon"></span>,
   ...:  <span>(11/20 10:45)</span>,
   ...:  <span>(11/20 08:58)</span>,
   ...:  <span class="PhotoIcon"></span>,
   ...:  <span>(11/20 07:43)</span>,
   ...: '''
   ...:

In [2]: soup = BeautifulSoup(html)
   ...: block = soup.block
   ...: block.find_all('span')
   ...:
Out[2]:
[<span>(11/20 11:46)</span>,
 <span class="PhotoIcon"></span>,
 <span>(11/20 11:04)</span>,
 <span class="PhotoIcon"></span>,
 <span>(11/20 10:49)</span>,
 <span class="PhotoIcon"></span>,
 <span>(11/20 10:45)</span>,
 <span>(11/20 08:58)</span>,
 <span class="PhotoIcon"></span>,
 <span>(11/20 07:43)</span>]

In [3]: block('span', class_=True)
Out[3]:
[<span class="PhotoIcon"></span>,
 <span class="PhotoIcon"></span>,
 <span class="PhotoIcon"></span>,
 <span class="PhotoIcon"></span>]

In [4]: block('span', class_=False)
Out[4]:
[<span>(11/20 11:46)</span>,
 <span>(11/20 11:04)</span>,
 <span>(11/20 10:49)</span>,
 <span>(11/20 10:45)</span>,
 <span>(11/20 08:58)</span>,
 <span>(11/20 07:43)</span>]

In [5]:

追記
ちなみに block('span', class_=False)
block.find_all('span', class_=False) の記述でも可能 (短縮してるだけ)

1
  • spanタグを省くってことです! <li>以外を省くことです!
    – ytk064
    Commented 2022年11月21日 10:16
0

わかりやすい回答、あありがとうございました。

sopu.find_all('div',True)でするのは、とても良かったです。

2
  • 役に立った回答への返信は、回答の下にある「コメントを追加」からコメントしてください。
    – cubick
    Commented 2022年11月21日 8:52
  • どういう意味ですか? Teueにすると、必要な箇所も消えます。
    – ytk064
    Commented 2022年11月22日 5:29
0

pythonのwebスクレイピングで不要タグを出力しない方法を教えてください。

IN:blok.find_all('li')
out:<a href="/articles/ASQCP5DZ2QCPULFA00L.html">第2次補正予算案の基金、過去最高の8.9兆円 無駄の温床と批判も

0 0 ,
1
  • 1
    当サイトはスレッド式の掲示板ではないため、こちらは 新しい質問 として質問し直してください。
    – cubick
    Commented 2022年11月21日 8:29

この質問に回答するには、ログインする必要があります。

求めていた回答ではありませんか? のタグが付いた他の質問を参照する。