Python提取HTML指定数据异常：无勾选标记时输出缺失排查

需求与问题 #

提取需求 #

• 日期（Date）：从div.date.details的title属性中提取日期部分
• 时间（Time）：从上述title属性中提取时间部分
• 第一个Jogo时间：从包含⚽ Jogos:的文本行中提取第一个有效时间值
• 勾选标记位置：若存在✅，返回其对应的Jogo时间位置（1-4）；无标记时返回0

原代码问题 #

原代码仅在存在✅标记时能正常输出全部数据，无标记时会因index('✅')抛出异常，且仅输出日期和时间，无法返回Jogo 1和Checkmarked:0。

原代码 #

from bs4 import BeautifulSoup

html = """
<div class="body">
   <div class="pull_right date details" title="09.03.2023 01:08:10 UTC-03:00">
      01:08
   </div>
   <div class="from_name">
      🤖🥇 𝑬𝒂𝒔𝒚 𝑩𝒐𝒕 - 𝑶𝒗𝒆𝒓 2.5 
   </div>
   <div class="text">
      Easy Bot - Over 2.5<br><br>🏆 Liga: Sul-Americana<br>🚦 Entrada: Over 2.5 FT<br>⚽ Jogos: ✅ 04:10 04:13 04:16 (04:19)<br><br><strong>Link: </strong><a href="https://www.bet365.com/#/AVR/B146/R%5E1/">https://www.bet365.com/#/AVR/B146/R%5E1/</a><br><br>🍀 24h:100% de acerto nas últimas 24h<br><br>✅✅✅✅✅✅ .
   </div>
</div>
"""

# parse the HTML
soup = BeautifulSoup(html, 'html.parser')

d_str = soup.select_one('div.date.details')['title']
calendar = d_str.split(" ")
print("Date: ",calendar[0])
print("Time: ",calendar[1])
for sts in soup.select_one('div.text').stripped_strings:
    if "⚽ Jogos: " in sts:
        jugos = (sts.split('⚽ Jogos: ')[1].split(" "))
        ind = jugos.index('✅')+1
        jugos.remove("✅")
        print("Jogo 1: ", jugos[0])
        print("Checkmarked: ", ind)

优化后的代码 #

from bs4 import BeautifulSoup

html = """
<div class="body">
   <div class="pull_right date details" title="09.03.2023 01:08:10 UTC-03:00">
      01:08
   </div>
   <div class="from_name">
      🤖🥇 𝑬𝒂𝒔𝒚 𝑩𝒐𝒕 - 𝑶𝒗𝒆𝒓 2.5 
   </div>
   <div class="text">
      Easy Bot - Over 2.5<br><br>🏆 Liga: Sul-Americana<br>🚦 Entrada: Over 2.5 FT<br>⚽ Jogos: 04:10 04:13 04:16 (04:19)<br><br><strong>Link: </strong><a href="https://www.bet365.com/#/AVR/B146/R%5E1/">https://www.bet365.com/#/AVR/B146/R%5E1/</a><br><br>🍀 24h:100% de acerto nas últimas 24h<br><br>✅✅✅✅✅✅ .
   </div>
</div>
"""

soup = BeautifulSoup(html, 'html.parser')

# 提取日期和时间
d_str = soup.select_one('div.date.details')['title']
calendar = d_str.split(" ")
print("Date: ", calendar[0])
print("Time: ", calendar[1])

# 处理Jogos部分
jogo1 = ""
checkmarked = 0
for sts in soup.select_one('div.text').stripped_strings:
    if "⚽ Jogos: " in sts:
        jugos = sts.split('⚽ Jogos: ')[1].split(" ")
        # 过滤空字符串，避免分割后的空元素干扰
        jugos = [item for item in jugos if item]
        if '✅' in jugos:
            checkmarked = jugos.index('✅') + 1
            jugos.remove('✅')
        # 提取第一个有效时间（排除带括号的备用时间）
        for item in jugos:
            if not item.startswith('('):
                jogo1 = item
                break
        break

# 确保输出，无论有无标记
print("Jogo 1: ", jogo1)
print("Checkmarked: ", checkmarked)

关键修改说明 #

1. 初始化默认值：提前定义jogo1和checkmarked的默认值，确保即使没有标记也能输出结果
2. 异常避免：先判断✅是否在列表中，再执行索引和移除操作，避免抛出ValueError
3. 过滤无效元素：分割后过滤空字符串，同时跳过带括号的备用时间，确保提取的是有效Jogo时间
4. 强制输出：循环结束后统一输出Jogo1和Checkmarked的值，保证无论是否找到标记都能返回完整结果

内容的提问来源于stack exchange，提问作者Marco Almeida