解析http://en.wikipedia.org/wiki/Israel
中に、テキストを含むタグに遭遇しましたH2
が、Beautiful Soup はそのNone
タイプを返します。
$ python
Python 2.7.3 (default, Apr 10 2013, 05:13:16)
[GCC 4.7.2] on linux2
Type "help", "copyright", "credits" or "license" for more information.
>>> import bs4
>>> import requests
>>> from pprint import pprint
>>> response = requests.get('http://en.wikipedia.org/wiki/Israel')
>>> soup = bs4.BeautifulSoup(response.content)
>>> for h in soup.find_all('h2'):
... pprint(str(type(h)))
... pprint(h)
... pprint(str(type(h.string)))
... pprint(h.string)
... print('--')
...
"<class 'bs4.element.Tag'>"
<h2>Contents</h2>
"<class 'bs4.element.NavigableString'>"
u'Contents'
--
"<class 'bs4.element.Tag'>"
<h2><span class="mw-headline" id="Etymology"><span id="Etymology"></span> Etymology</span></h2>
"<type 'NoneType'>"
None
--
"<class 'bs4.element.Tag'>"
<h2><span class="mw-headline" id="History">History</span></h2>
"<class 'bs4.element.NavigableString'>"
u'History'
--
これは解析の問題ではないことに注意してください。Beautiful Soup はドキュメントを問題なく解析します。H2
2 番目の要素が型を返すのはなぜNone
ですか? 文字列の先頭の「 」(スペース)が原因でしょうか? どうすればこれを回避できますか? これは、Python 2.7、Kubuntu Linux 12.10 の Beautiful Soup 4 です。