Блог

Я пишу скрипт на Python с использованием pdfminer.six для преобразования огромного количества PDF-файлов в html, чтобы впоследствии загрузить их в электронный магазин. До сих пор основные текстовые блоки были проанализированы довольно хорошо, но в процессе мне пришлось заменить все интервалы на divs (и удалить интервалы из их атрибутов) по понятным причинам, так что теперь структура документа выглядит следующим образом:

 <div> #first main block
    <div>
        Product desc heading
    </div>
    <div>
        Product desc text
    </div>
    #etc etc
</div>

<div> #second main block
    <div>
        Product specs heading
    </div>
    <div>
        Product specs text
    </div>
    #etc etc
</div>
  

Проблема заключается в навигации в идентичных разделах. Если я попытаюсь найти самый первый div и добавить к нему некоторые атрибуты, как предлагают документы:

 firstdiv = soup.find('div')
firstdiv['class'] = 'main_productinfo'
  

Результат вполне предсказуем — IDLE выводит следующую ошибку:

 File "C:UsersblablaAppDataLocalProgramsPythonPython37libsite-packagesbs4element.py", line 1036, in __setitem__
    self.attrs[key] = value
TypeError: 'NoneType' object does not support item assignment

  

, поскольку find() метод не возвращает определенный результат (может быть найден, а может и не быть найден).

Я хочу преобразовать первый блок в каждом файле, а затем проанализировать таблицы (найденные в блоке спецификаций ниже) в html и объединить эти два в каждом загружаемом файле. Как я могу добавить атрибуты к первому тегу, не преобразовывая soup в string снова и снова (и, таким образом, делая его действительно, действительно уродливым, поскольку он преобразует недавно доработанный soup без каких-либо пробелов) и заменяя части строки в str(soup) ? Я совсем новичок в Python, и мне ничего не приходит в голову.

UPD: Я использую Python 3.7.2 на Win 7 64.

Я не получаю эту ошибку:

 import bs4

html = '''<div> #first main block
    <div>
        Product desc heading
    </div>
    <div>
        Product desc text
    </div>
    #etc etc
</div>

<div> #second main block
    <div>
        Product specs heading
    </div>
    <div>
        Product specs text
    </div>
    #etc etc
</div>'''

soup = bs4.BeautifulSoup(html, 'html.parser')

firstdiv = soup.find('div')
  

Вывод:

 print (firstdiv)
<div> #first main block
    <div>
        Product desc heading
    </div>
<div>
        Product desc text
    </div>
    #etc etc
</div>
  

Затем:

 firstdiv['class'] = 'main_productinfo'
print (firstdiv)

<div class="main_productinfo"> #first main block
    <div>
        Product desc heading
    </div>
<div>
        Product desc text
    </div>
    #etc etc
</div>