爬虫中很重要的一点就是对爬下来的内容进行提取。我的标题其实应该是取的有问题的，我在搜索这个问题的时候，看到stackoverflow上有回答说HTML class can’t contain spaces. This element has multiple classes. Searching by either of these classes works。但是为了方便理解，我就取这个名字了。而且我不想使用这个答案中所说的使用其中任意一个class进行搜索的方式，因为我觉得很有可能其他地方也存在这个名字的class，会导致我在定位标签的时候不准确，可能定位到其他标签上了。所以我还是喜欢该问题中的另一个回答。
原链接：https://stackoverflow.com/questions/46718366/beautifulsoup-and-class-with-spaces
我测试了一下，发现还是蛮好用的。
1
2
3
4
5
6
7
8
9
10
11
12
13
from bs4 import BeautifulSoup as soup
doc = '''
<tr class="admin-bookings-table-row bookings-history-row paid ">张学友张学友我们爱你!</tr>
<tr class="admin-bookings-table-row nope paid ">我爱黎明我爱黎明!</tr>
<h1 class="admin-bookings-table-row nope paid ">我爱卓依婷!</h1>
'''
soup = soup(doc, 'lxml')
a = soup.select('tr.admin-bookings-table-row.bookings-history-row.paid')[0]
b = soup.select('tr.admin-bookings-table-row.nope.paid')[0]
c = soup.select('h1.admin-bookings-table-row.nope.paid')[0]
print(a.text, b.text, c.text)
输出：
1
2
张学友张学友我们爱你! 我爱黎明我爱黎明! 我爱卓依婷!
[Finished in 0.7s]
将BeautifulSoup改为用requests_html也是一样的结果：
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
from requests_html import HTML
doc = '''
<a href='https://tesla9527.github.io/'>
<a href='https://www.google.com/'>
<tr class="admin-bookings-table-row bookings-history-row paid ">张学友张学友我们爱你!</tr>
<tr class="admin-bookings-table-row nope paid ">我爱黎明我爱黎明!</tr>
<h1 class="admin-bookings-table-row nope paid ">我爱卓依婷!</h1>
'''
r = HTML(html=doc)
a = r.find('tr.admin-bookings-table-row.bookings-history-row.paid')[0] # css选择器提取
b = r.find('tr.admin-bookings-table-row.nope.paid')[0]
c = r.find('h1.admin-bookings-table-row.nope.paid')[0]
print(a.text, b.text, c.text)
print(r.links) # 打印所有链接
print(r.search('https://{}.github.io/')[0]) # 搜索内容
输出：
1
2
3
4
张学友张学友我们爱你! 我爱黎明我爱黎明! 我爱卓依婷!
{'https://tesla9527.github.io/', 'https://www.google.com/'}
tesla9527
[Finished in 7.9s]
