beautifulsoup解析html标记异常

问题描述：

我从HTML文件中提取一些信息。但是，一些文件没有标签<p class="p p1"> date </p>，它返回beautifulsoup解析html标记异常

AttributeError: 'NoneType' object has no attribute 'strip'

而且在一些文件的日期是不是在标签内。我发现一个是：

<time content="2005-11-11T19:09:08Z" itemprop="datePublished"> 
Nov. 11, 2005 2:09 PM ET 
</time>

我该如何解决这两个问题？

我的代码：

month_list = ['January', 'February', 'March', 'April', 'May', 'June', 'July', 'August', 'September', 'October','November', 'December', 'Jan', 'Feb', 'Aug', 'Oct', 'Dec'] 


def first_date_p(): 

    for p in soup.find_all('p', {"class": "p p1"}): 
     for month in month_list: 
      if month in p.get_text(): 
       first_date_p = p.get_text() 
       date_start = first_date_p.index(month) 
       date_text = first_date_p[date_start:] 
       return date_text 
      else: 
      #if the tag exist, but do not have date. 
       month = 'No Date/Error' 
       return month.strip()

在我看来，你应该寻找日期的特性开始，你希望适用于* all *的HTML文件。实际上，日期可能会有更多的格式，并且您需要分别处理每个格式。你有多少种不同的格式？ –

答

如果要确保所选择的 'P' 标签总是包含一些文字，您可以将text参数设置为True，即：

soup.find_all('p', {"class": "p p1"}, text=True)

否则，如果你想得到所有的'p'，即使它们不包含任何文本，你可以将None转换为字符串，例如：

str(p.get_text()).strip()

关于你的第二个问题，您可以选择“时间”标签的“内容”属性，如：

soup.find('time').get('content')

beautifulsoup解析html标记异常

相关推荐