网络爬虫 - python urlopen.read()不完整
阿神
阿神 2017-04-18 09:03:36
0
3
765

这个目的说来有点不忍启齿....不过抱着解决问题的态度,我还是提了这个问题:
这个是原网页
https://movie.douban.com/tag/%E6%83%85%E8%89%B2?start=0&type=T

这个网页有20个电影,但我抓取的结果只有17个,我调试发现的问题是出在刚开始urlopen.read()就没读全整个网页,不知道是不是因为标签使用不合法导致的没读到。
这是测试的代码:

import sys
import time
import urllib2
import random
import requests
from bs4 import BeautifulSoup

page_num=0
movie_list=[]
try_times = 0
url="https://movie.douban.com/tag/%E6%83%85%E8%89%B2?start="+str(page_num*20)+"&type=T"
time.sleep(random.uniform(1, 2))
try:
    source_code = urllib2.urlopen(url).read()
    plain_text=str(source_code)
    print plain_text
except (urllib2.HTTPError, urllib2.URLError), e:
    print e
soup = BeautifulSoup(plain_text)
list_soup=soup.find('p',{'class':['']})

请问该如何解决?并且这个问题的原因到底是什么?
请你们注意,
https://movie.douban.com/tag/%E6%83%85%E8%89%B2?start=0&type=T
这个URL里start也从0开始,第二页是20,第三页是40,以20递增,我自己也数过,每页是有20本电影,但是读取的时候只有17.

阿神
阿神

闭关修行中......

全員に返信(3)
大家讲道理

このページには 17 本の映画しかありません。
補足:
ログインしていない場合、結果は17になります。
ログイン時の結果は 20 件です。
このロジックによれば、この問題はログインをシミュレートすることで解決できます。

いいねを押す +0
刘奇

https://movie.douban.com/tag/%E6%83%85%E8%89%B2?start=0&type=T

このページには 17 本の映画しかありません

いいねを押す +0
巴扎黑

Chrome の xpath コピー機能を使用して、最後のムービー (17 番目) の xpath をコピーします。
//*[@id="content"]/p/p[1]/p[2]/テーブル [17]

いいねを押す +0
人気のチュートリアル
詳細>
最新のダウンロード
詳細>
ウェブエフェクト
公式サイト
サイト素材
フロントエンドテンプレート
私たちについて 免責事項 Sitemap
PHP中国語ウェブサイト:福祉オンライン PHP トレーニング,PHP 学習者の迅速な成長を支援します!