Question

我正在尝试使用Beautiful Soup从Zillow那里获取住房价格数据。

我按属性ID获取网页，例如。 http://www.zillow.com/homes/for_sale/18429834_zpid/

当我尝试find_all()函数时，我没有得到任何结果：

results = soup.find_all('div', attrs={"class":"home-summary-row"})

但是，如果我把HTML缩小到我想要的位，例如：

<html>
    <body>
        <div class=" status-icon-row for-sale-row home-summary-row">
        </div>
        <div class=" home-summary-row">
            <span class=""> $1,342,144 </span>
        </div>
    </body>
</html>

我得到了2个结果，<div>和home-summary-row类。所以，我的问题是，为什么我在搜索整页时没有得到任何结果？

工作示例：

from bs4 import BeautifulSoup
import requests

zpid = "18429834"
url = "http://www.zillow.com/homes/" + zpid + "_zpid/"
response = requests.get(url)
html = response.content
#html = '<html><body><div class=" status-icon-row for-sale-row home-summary-row"></div><div class=" home-summary-row"><span class=""> $1,342,144 </span></div></body></html>'
soup = BeautifulSoup(html, "html5lib")

results = soup.find_all('div', attrs={"class":"home-summary-row"})
print(results)

Answer 1

您的HTML 格式不正确，在这种情况下，选择正确的解析器至关重要。在BeautifulSoup中，目前有3个可用的HTML解析器以不同的方式处理损坏的HTML ：

html.parser（内置，无需其他模块）
lxml（最快，需要安装lxml）
html5lib（最宽松的，需要安装html5lib）

Differences between parsers文档页面更详细地描述了这些差异。在您的情况下，为了证明差异：

>>> from bs4 import BeautifulSoup
>>> import requests
>>> 
>>> zpid = "18429834"
>>> url = "http://www.zillow.com/homes/" + zpid + "_zpid/"
>>> response = requests.get(url)
>>> html = response.content
>>> 
>>> len(BeautifulSoup(html, "html5lib").find_all('div', attrs={"class":"home-summary-row"}))
0
>>> len(BeautifulSoup(html, "html.parser").find_all('div', attrs={"class":"home-summary-row"}))
3
>>> len(BeautifulSoup(html, "lxml").find_all('div', attrs={"class":"home-summary-row"}))
3

正如您所看到的，在您的情况下，html.parser和lxml都可以完成工作，但html5lib却没有。

Answer 2

import requests
from bs4 import BeautifulSoup

zpid = "18429834"
url = "http://www.zillow.com/homes/" + zpid + "_zpid/"

r = requests.get(url)

soup = BeautifulSoup(r.content, "lxml")

g_data = soup.find_all("div", {"class": "home-summary-row"})

print g_data[1].text

#for item in g_data:
#        print item("span")[0].text
#        print '\n'

我也有这个工作 - 但看起来有人打败了我。

无论如何要发帖。

Answer 3

根据W3.org Validator，HTML存在许多问题，例如杂散结束标记和跨多行分割的标记。例如：

<a 
href="http://www.zillow.com/danville-ca-94526/sold/"  title="Recent home sales" class=""  data-za-action="Recent Home Sales"  >

这种标记可以使BeautifulSoup更难以解析HTML。

您可能希望尝试运行某些内容来清理HTML，例如从每行末尾删除换行符和尾随空格。 BeautifulSoup还可以为您清理HTML树：

from BeautifulSoup import BeautifulSoup
tree = BeautifulSoup(bad_html)
good_html = tree.prettify()

使用Beautiful Soup找到特定的课程

3 个答案: