为了研究的目的,我试图爬过这个url,但是我得到了一个不完整的结果:
opener = urllib.request.build_opener()
opener.addheaders = [('User-Agent', 'Mozilla/5.0')]
response = opener.open(url)
soup = BeautifulSoup(response, 'html.parser')
article = soup.find("div", { "class" : "entry" })
print(article)
结果是:
<div class="entry">
<header><strong>Racial Forensics in an Age of Race Denial</strong></header></div>
但当我查看页面的代码源代码时,我可以看到更多:
<div class="entry">
<header><strong>Racial Forensics in an Age of Race Denial</strong></p>
</header>
<p>Austen Layard<br/>
<a href="http://www.theoccidentalobserver.net/2014/01/racial-forensics-in-an-age-of-race-denial/"><strong>Occidental Observer</strong></a><br/>
February 3, 2014</p>
....
</div>
这个URL和我处理过的很多其他URL之间的区别在于标记header
的存在。你知道吗
那是我问题的根源吗?
如何检索标记div
的全部内容?你知道吗
html.parser
是不稳定的,非常不受推荐,默认情况下,bs4使用lxml
,让我们继续使用默认值。你知道吗相关问题 更多 >
编程相关推荐