python - BeautifulSoup "find"行为不一致 (bs4)

Question

我正在 NFL 的网站上抓取球员统计数据。我在解析网页并尝试访问包含我正在查找的实际信息的 HTML 表时遇到问题。我成功下载了该页面并将其保存到我正在工作的目录中。作为引用，我保存的页面可以在 here 中找到。 。

# import relevant libraries
import pandas as pd
import numpy as np
from bs4 import BeautifulSoup

soup = BeautifulSoup(open("1998.html"))
result = soup.find(id="result")
print result

我发现在某一时刻，我运行了代码，结果打印了我正在寻找的正确表格。其他时候，它不包含任何东西!我假设这是用户错误，但我无法弄清楚我错过了什么。使用“lxml”没有返回任何内容，我无法让 html5lib 工作(解析库？？)。

感谢任何帮助!

Answer 1

首先，您应该先阅读文件的内容，然后再将其传递给 BeautifulSoup。

soup = BeautifulSoup(open("1998.html").read())

其次，通过将内容打印到屏幕来手动验证 HTML 中是否存在相关的表。 .prettify() 方法使数据更易于阅读。

print soup.prettify()

最后，如果该元素确实存在，则以下内容将能够找到它:

table = soup.find('table',{'id':'result'})

我编写的一个简单的测试脚本无法重现您的结果。

import urllib
from bs4 import BeautifulSoup

def test():
    # The URL of the page you're scraping.
    url = 'http://www.nfl.com/stats/categorystats?tabSeq=0&statisticCategory=PASSING&conference=null&season=1998&seasonType=REG&d-447263-s=PASSING_YARDS&d-447263-o=2&d-447263-n=1'

    # Make a request to the URL.
    conn = urllib.urlopen(url)

    # Read the contents of the response
    html = conn.read()

    # Close the connection.
    conn.close()

    # Create a BeautifulSoup object and find the table.
    soup = BeautifulSoup(html)
    table = soup.find('table',{'id':'result'})

    # Find all rows in the table.
    trs = table.findAll('tr')

    # Print to screen the number of rows found in the table.
    print len(trs)

每次都会输出51。