Python - 网页搜罗 - BeautifulSoup

Question

我是BeautifulSoup的新手并尝试从以下网站提取数据： http ： //www.expatistan.com/cost-of-living/comparison/phoenix/new-york-city

我试图提取每个类别（食物，住房，衣服，交通，个人护理和娱乐）的汇总百分比。 因此，对于上面提供的链接，我想提取出百分比：48％，129％，63％，43％，42％，42％和72％。

不幸的是，我使用BeautifulSoup的当前Python代码提取了以下百分比：12％，85％，63％，21％，42％和48％。 我不知道为什么会这样。 这里的任何帮助将不胜感激！ 这是我的代码：

import urllib2
from bs4 import BeautifulSoup
url = "http://www.expatistan.com/cost-of-living/comparison/phoenix/new-york-city"
page  = urllib2.urlopen(url)
soup_expatistan = BeautifulSoup(page)
page.close()

expatistan_table = soup_expatistan.find("table",class_="comparison")
expatistan_titles = expatistan_table.find_all("tr",class_="expandable")

for expatistan_title in expatistan_titles:
    published_date = expatistan_title.find("th",class_="percent")
    print(published_date.span.string)

Answer 1

我无法确定确切原因，但似乎与urllib2有关。 只需更改requests ，它就开始起作用了。 这是代码：

import requests
from bs4 import BeautifulSoup

url = "http://www.expatistan.com/cost-of-living/comparison/phoenix/new-york-city"
page  = requests.get(url).text
soup_expatistan = BeautifulSoup(page)

expatistan_table = soup_expatistan.find("table", class_="comparison")
expatistan_titles = expatistan_table.find_all("tr", class_="expandable")

for expatistan_title in expatistan_titles:
    published_date = expatistan_title.find("th", class_="percent")
    print(published_date.span.string)

您可以使用pip来安装requests ：

$ pip install requests

编辑

问题确实与urllib2有关。 似乎www.expatistan.com服务器根据请求中设置的User-Agent响应不同。 要使用urllib2获得相同的响应，您必须执行以下操作：

url = "http://www.expatistan.com/cost-of-living/comparison/phoenix/new-york-city"
request = urllib2.Request(url)
opener = urllib2.build_opener()
request.add_header('User-Agent', 'Mozilla/5.0 (Windows NT 6.1; WOW64; rv:23.0) Gecko/20130406 Firefox/23.0')
page = opener.open(request).read()