如图所示,用python爬取的html页面和浏览器显示的内容有些出入。
照理说爬取的同样是服务器端静态的html页面,怎么会有不同呢?
网站地址:点我点我
爬虫源码:
# -*-coding:UTF-8-*-
from urllib.request import urlopen
from bs4 import BeautifulSoup
html = urlopen("http://www.pythonscraping.com/pages/page3.html")
bsObj = BeautifulSoup(html,"lxml")
for child in bsObj.find("",{"id": "giftList"}).contents:
print(child)
这个问题可能有点“孔乙己”,不过我确实挺好奇它的原因的,希望有人能不吝赐教
楼主建议你贴出全部源代码,因为网站可以识别你是人工浏览器操作还是爬虫。
目前代码来看,建议你增加头部信息!use-agent 那行代码!
经过实测,结论是 bs4 改变了属性的顺序。
1、在浏览器中右键点击页面,选:
审查元素
查看网页源码
2、在 python3 程序中对比:
import re
ptn_tr = re.compile(r'<tr[^>]+>')
import requests as req
rsp=req.get('http://www.pythonscraping.com/pages/page3.html')
html = rsp.text
print('requests:\t', ptn_tr.findall(html)[0])
from urllib.request import urlopen
rsp = urlopen("http://www.pythonscraping.com/pages/page3.html")
html = rsp.read().decode()
print('urlopen:\t', ptn_tr.findall(html)[0])
from bs4 import BeautifulSoup
html = str(BeautifulSoup(html,"lxml"))
print('bs4Soup:\t', ptn_tr.findall(html)[0])
结果:
requests: <tr id="gift1" class="gift">
urlopen: <tr id="gift1" class="gift">
bs4Soup: <tr class="gift" id="gift1">
class和id顺序不一样而已,
你用chrome和firefox查看同一个网页源代码,顺序也是不一样的.
建议题主把网站甚至自己的代码贴出来,方便大家帮你调试。不一样很正常,如果你爬虫爬下来的内容保存为静态页面,和你用浏览器看到的不一样,那么肯定是对对方反爬虫机制给识别了,所以服务器会返回不同的信息。识别爬虫的方法很多,题主如果还有疑惑欢迎再问