Python 网络爬虫 (第三部分): 构建数据集

纽约时报文章爬取教程：提取日期和谎言

本教程是四部分系列教程的一部分，旨在通过网页抓取从纽约时报关于特朗普总统的文章中构建数据集。在本节中，我们将从已解析的HTML数据中提取日期和谎言信息。

提取日期

• 我们使用find方法在第一个记录中查找<strong>标签，并提取其text属性来获取日期。
• 由于日期包含一个特殊字符\xA0，我们使用切片将其移除。
• 最后，我们添加年份信息以确保日期完整。

提取谎言

• 由于谎言信息没有被独立的标签包围，我们使用contents属性获取第一个记录的子节点。
• 子节点列表包含标签和文本内容，我们需要从中提取包含谎言信息的两个句子。
• 具体提取方法需要根据HTML结构进行调整，教程中没有给出详细步骤，但提到了需要使用其他技术来完成。

总结

本节教程介绍了如何从解析后的HTML数据中提取日期和谎言信息。教程中展示了使用find方法和contents属性提取数据的方法，并强调了网页抓取过程中的迭代性和实验性。

下一部分

下一部分教程将介绍如何提取解释和URL信息，并使用循环对数据集进行结构化处理。

这是网页抓取入门教程的第三部分。 在本视频中，我们将使用 Python 的 Beautiful Soup 库从《纽约时报》文章中创建一个结构化的数据集。