Python和Beautifulsoup：奇怪的行为findAll

soup  = BeautifulSoup(html) 
boxes  = soup.findAll("div", { "class" : re.compile(r'\bmixDesc\b') })

我认为我只有类'mixDesc'的箱子。Python和Beautifulsoup：奇怪的行为findAll

所以我调试，以确保

count = 0 
for box in boxes : 
    count = count + 1 

    print "JWORG box {0}".format(count) 
    print "JWORG box len {0}".format(len(box)) 
    print box

我只有10 mixDesc类的div中解析HTML文件

但我得到了30盒和大量（20的30 ）被打印为

[]

你能解释为什么会发生这种情况吗？为什么findAll抓住这个空标签？或...我还有什么错误？

编辑1：

我用这个来编程XBMC插件，所以我使用的唯一可用的版本，我

编辑2：

我不能复制/粘贴所有的HTML，但我刮这个页面：http://www.jw.org/it/video/?start=70

所以你可以看到HTML源，以帮助我。

编辑3：这是我的XBMC日志，请没有我印连计数器和len（盒）

20:27:54 T:5356 NOTICE: JWORG box 1 
20:27:54 T:5356 NOTICE: JWORG box len 5 
20:27:54 T:5356 NOTICE: [<div class="syn-img sqr mixDesc"> 
              <a href="/it/cosa-dice-la-Bibbia/famiglia/bambini/diventa-amico-di-geova/cantici/120-felice-chi-mette-in-pratica-ci%C3%B2-che-ode/" class="jsDownload jsVideoModal jsCoverDoc" data-jsonurl="/apps/TRGCHlZRQVNYVrXF?output=json&amp;pub=pksn&amp;fileformat=mp4&amp;alllangs=1&amp;track=120&amp;langwritten=I&amp;txtCMSLang=I" data-coverurl="/it/cosa-dice-la-Bibbia/famiglia/bambini/diventa-amico-di-geova/cantici/120-felice-chi-mette-in-pratica-ci%C3%B2-che-ode/" data-onpagetitle="Cantico 120: Felice chi mette in pratica ciÃ² cheÂ ode" title="Play o download | Cantico 120: Felice chi mette in pratica ciÃ² cheÂ ode" data-mid="1102013357"> 
              <span class="jsRespImg" data-img-type="sqr" data-img-size-lg="http://assets.jw.org/assets/m/ijw13pk/1102013357/ijw13pk_id-1102013357.art/1102013357_univ_sqr_lg.jpg" data-img-size-md="http://assets.jw.org/assets/m/ijw13pk/1102013357/ijw13pk_id-1102013357.art/1102013357_univ_sqr_md.jpg" data-img-size-sm="http://assets.jw.org/assets/m/ijw13pk/1102013357/ijw13pk_id-1102013357.art/1102013357_univ_sqr_sm.jpg" data-img-size-xs="http://assets.jw.org/assets/m/ijw13pk/1102013357/ijw13pk_id-1102013357.art/1102013357_univ_sqr_xs.jpg"></span></a><noscript><img src="http://assets.jw.org/assets/m/ijw13pk/1102013357/ijw13pk_id-1102013357_I/1102013357_univ_sqr_xs.jpg" alt="" /></noscript> 

              <div style="display:none;" class="jsVideoPoster mid1102013357" data-src="http://assets.jw.org/assets/m/ijw13pk/1102013357/ijw13pk_id-1102013357.art/1102013357_univ_lsr_lg.jpg" data-alt=""></div> 
              </div>] 
20:27:54 T:5356 NOTICE: JWORG box 2 
20:27:54 T:5356 NOTICE: JWORG box len 7 
20:27:54 T:5356 NOTICE: [] 
20:27:54 T:5356 NOTICE: JWORG box 3 
20:27:54 T:5356 NOTICE: JWORG box len 7 
20:27:54 T:5356 NOTICE: []

编辑4：

行，有30个div的，因为the're嵌套，但为什么他们是空的？以及如何过滤掉这些？

来源

2014-03-27 realtebo

什么是您的HTML？ –

至少，你最好使用'BeautifulSoup4'和'find_all（）'。 – alecxe

我正在使用python在XBMC上编写插件。我无法复制/粘贴所有的html，但我在抓这个页面：http://www.jw.org/it/video/?start=70 – realtebo

问题是，默认情况下，findAll()执行递归搜索，因为嵌套div包含bmixDesc类 - 您正在获得这些结果。

通过recursive=False到findAll并在父div中搜索div与id=videosIndexList。

而且，还有，BeautifulSoup3不再维护 - 切换到BeautifulSoup4并使用find_all()。

下面的代码应该是什么样子（使用BeautifulSoup4）：

import re 
from urllib2 import urlopen 
from bs4 import BeautifulSoup 


soup = BeautifulSoup(urlopen('http://www.jw.org/it/video/?start=70')) 

div = soup.find('div', {'id': 'videosIndexList'}) 
boxes = div.find_all("div", { "class" : re.compile(r'\bmixDesc\b')}, recursive=False) 

for box in boxes: 
    print box.text

这将让你只有顶层的div（10盒）。

来源

2014-03-27 19:45:09 alecxe

时我也会发生这个错误，但是为什么嵌套div打印为空...？ – realtebo

'soup.findAll（“div”，{“class”：re.compile（r'\ bmixDesc \ b'）}，recursive = False）'给我零结果。另外，我没有选择bs版本，我只有xbmc环境下的v3 – realtebo

@realtebo nope，你应该用'videosIndexList' id（请参阅我的示例）在'div'上调用'findAll'。 – alecxe

Python和Beautifulsoup：奇怪的行为findAll

回答

相关问题