http://samsung-updates.com/device/?id=SM-N9007
这个网址用linux curl和直接用urllib获取到的内容都是正常的,主要关注 table id="flist" 节点的内容如下:
Device Name
Model
Region
Version
OS
OS Version
Build Date
Changelist
Unlock
Galaxy Note 3 (Snapdragon/SM-N9007)
SM-N9007
TGYHong kong
N9007ZHU3ANG2
4.4.2
10.07.2014
2188588
Unlock
但如果将获取到的内容转成bs4对象,获取的内容就不对了。请参见以下代码:
import urllib.request
from bs4 import BeautifulSoup
def get_dom(page_url,encoding):
opener = urllib.request.build_opener()
opener.addheaders = [('User-agent', 'Mozilla/5.0 (X11; U; Linux i686) Gecko/20071127 Firefox/2.0.0.11')]
dom = opener.open(page_url)
return dom.read().decode(encoding)
dom.close()
def get_post_content(post_url):
soup_post = BeautifulSoup(get_dom(post_url,"utf-8"))
print(soup_post)
get_post_content("http://samsung-updates.com/device/?id=SM-N9007")
print出来的内容变成了:
Device Name
Model
Region
Version
OS
OS Version
Build Date
Changelist
Unlock
Galaxy Note 3 (Snapdragon/SM-N9007)
SM-N9007
TGYHong kong
N9007ZHU3ANG2
4.4.2
10.07.2014
2188588
Unlock
请注意第一个tr节点后,table闭合了,还有有很多p闭合的标记。
这个问题导致我没法正确抓取表格的内容,求教下是不是我哪里有问题?
2 个回答
-
入过这个坑!
就是解释器的问题。虽然bs官方推荐lxml
解释器,但是它的最大缺点是,如果你的html源码本身有问题,比如一个
没写 对应,它会直接把它删掉,然后返给你。
所以用html5lib
绝对没问题。
pip install html5lib
安装,然后实例化改成soup = BeautifulSoup(html, 'html5lib')
就好了。
另外,bs4后,BeautifulSoup(html, 'html5lib')
这种双参数,是必须的,否则肯定出问题。
2022-11-12 01:41 回答
木头人2幸福
-
这是因为BeautifulSoup默认使用的HTML解析器(即标准库里的那个)对你的页面解析出错。解决方法是换一个解析器。
参见http://www.crummy.com/software/BeautifulSoup/bs4/doc/index.zh.html
P.S. 我用Python3.4,装了html5lib,并且在代码里用BeautifulSoup(xxx, 'html5lib')可以正确获得你想要的东西。
再P.S. 现在比较流行的html解析库是PyQuery,因为它的语法跟jQuery很像,很容易上手。而http库一般用requests,也是因为它提供的api很简单
import requests
from pyquery import PyQuery as pq
def html(url):
return requests.get(url).text
def table(text):
return pq(text)('table#flist')
def table_from_url(url):
return pq(url=url)('table#flist')
if __name__ == '__main__':
print(table(html('http://samsung-updates.com/device/?id=SM-N9007')))
# or
print(table_from_url('http://samsung-updates.com/device/?id=SM-N9007'))
2022-11-12 01:41 回答
小朋友们还记得我吗对了我就是
撰写答案
今天,你开发时遇到什么问题呢?
立即提问
PHP1.CN | 中国最专业的PHP中文社区 | PNG素材下载 | DevBox开发工具箱 | json解析格式化 |PHP资讯 | PHP教程 | 数据库技术 | 服务器技术 | 前端开发技术 | PHP框架 | 开发工具 | 在线工具
Copyright © 1998 - 2020 PHP1.CN. All Rights Reserved 京公网安备 11010802041100号 | 京ICP备19059560号-4 | PHP1.CN 第一PHP社区 版权所有