Question

据我所知，我有两台机器，运行python 2.5和BeautifulSoup 3.1.0.1。

我正在尝试使用以下方式抓取http://utahcritseries.com/RawResults.aspx

from BeautifulSoup import BeautifulSoup
import urllib2

base_url = "http://www.utahcritseries.com/RawResults.aspx"

data=urllib2.urlopen(base_url)
soup=BeautifulSoup(data)
i = 0
table=soup.find("table",id='ctl00_ContentPlaceHolder1_gridEvents')
#table=soup.table
print "begin table"
for row in table.findAll('tr')[1:10]:
    i=i + 1
    col = row.findAll('td')
    date = col[0].string
    event = col[1].a.string
    confirmed = col[2].string
    print '%s - %s' % (date, event)
print "end table"
print "%s rows processed" % i

在我的Windows机器上，我得到了正确的结果，这是一个日期和事件名称列表。在我的Mac上，我没有。相反，我得到

3/2/2002 - Rocky Mtn Raceway Criterium
None - Rocky Mtn Raceway Criterium
3/23/2002 - Rocky Mtn Raceway Criterium
None - Rocky Mtn Raceway Criterium
4/2/2002 - Rocky Mtn Raceway Criterium
None - Saltair Time Trial
4/9/2002 - Rocky Mtn Raceway Criterium
None - DMV Criterium
4/16/2002 - Rocky Mtn Raceway Criterium

我注意到的是，当我

时

print row

在我的Windows机器上，tr数据看起来与源html完全相同。请注意第二个表行上的样式标记。这是前两行：

<tr>
<td>
 3/2/2002
</td>
<td>
 <a href="Event.aspx?id=226">
  Rocky Mtn Raceway Criterium
 </a>
</td>
<td>
 Confirmed
</td>
<td>
 <a href="Event.aspx?id=226">
  Points
 </a>
</td>
<td>
 <a disabled="disabled">
  Results
 </a>
</td>
</tr>

<tr style="color:#333333;background-color:#EFEFEF;">
<td>
 3/16/2002
</td>
<td>
 <a href="Event.aspx?id=227">
  Rocky Mtn Raceway Criterium
 </a>
</td>
<td>
 Confirmed
</td>
<td>
 <a href="Event.aspx?id=227">
  Points
 </a>
</td>
<td>
 <a disabled="disabled">
  Results
 </a>
</td>
</tr>

在我的Mac上，当我打印前两行时，样式信息将从tr标签中删除，并将其移动到每个td字段中。我不明白为什么会这样。我为每个其他日期值获取None，因为BeautifulSoup在每个其他日期都放置一个字体标记。这是mac的输出：

<tr>
<td>
 3/2/2002
</td>
<td>
 <a href="Event.aspx?id=226">
  Rocky Mtn Raceway Criterium
 </a>
</td>
<td>
 Confirmed
</td>
<td>
 <a href="Event.aspx?id=226">
  Points
 </a>
</td>
<td>
 <a disabled="disabled">
  Results
 </a>
</td>
</tr>

<tr bgcolor="#EFEFEF">
<td>
 <font color="#333333">
  3/16/2002
 </font>
</td>
<td>
 <font color="#333333">
  <a href="Event.aspx?id=227">
   Rocky Mtn Raceway Criterium
  </a>
 </font>
</td>
<td>
 <font color="#333333">
  Confirmed
 </font>
</td>
<td>
 <font color="#333333">
  <a href="Event.aspx?id=227">
   Points
  </a>
 </font>
</td>
<td>
 <font color="#333333">
  <a disabled="disabled">
   Results
  </a>
 </font>
</td>
</tr>

我的脚本在windows下显示正确的结果 - 我需要做些什么才能让我的Mac正常工作？

Answer 1

有documented problems版本3.1的BeautifulSoup。

您可能需要仔细检查您实际使用的版本，如果是这样，请降级。

Answer 2

我怀疑问题出在urlib2请求中，而不是BeautifulSoup：

如果您在两台计算机上向我们显示此命令返回的原始数据的相同部分，则可能会有所帮助：

urllib2.urlopen(base_url)

此页面看起来可能有所帮助： http://bytes.com/groups/python/635923-building-browser-like-get-request

最简单的解决方案可能只是检测脚本运行的环境并相应地更改解析逻辑。

>>> import os
>>> os.uname() 
('Darwin', 'skom.local', '9.6.0', 'Darwin Kernel Version 9.6.0: Mon Nov 24 17:37:00 PST 2008; root:xnu-1228.9.59~1/RELEASE_I386', 'i386')

或者让微软使用网络标准：）

另外，你没有使用mechanize来获取页面吗？如果是这样，问题可能就在那里。

python-是beautifulsoup误报我的HTML？

2 个答案: