求解Beautifulsoup不能爬取网页url链接地址。

我想抓取这个网页(http://www.zhujiage.com.cn/article/List_2.html)和这个网页(http://www.qinbing.cn/jidanjiage/)的url链接地址。

from urllib2 import urlopen
from bs4 import BeautifulSoup
html = urlopen("http://www.zhujiage.com.cn/article/List_2.html")
bsobj = BeautifulSoup(html,'lxml')
for link in bsobj.find_all(name="a"):
       if 'href' in  link.attrs:
           print link.attrs['href']

上面这段代码只改变网址,前一个网址不能抓取网页URL,后面的网址可以抓取。

阅读 6.1k
1 个回答

这个是网站编码的问题, 第一网站编码是gbk, 第二个是utf-8, BeaufifulSoup默认是将网页以uft-8编码, 只需要加个参数from_encoding ="gbk" 就可以解决了

from urllib2 import urlopen
from bs4 import BeautifulSoup
html = urlopen("http://www.zhujiage.com.cn/article/List_2.html")
bsobj = BeautifulSoup(html,'lxml',from_encoding="gbk")
for link in bsobj.find_all(name="a"):
       if 'href' in  link.attrs:
           print link.attrs['href']

也可以

from urllib2 import urlopen
from bs4 import BeautifulSoup
html = urlopen("http://www.zhujiage.com.cn/article/List_2.html").read().decode('gbk')
bsobj = BeautifulSoup(html,'lxml')
for link in bsobj.find_all(name="a"):
       if 'href' in  link.attrs:
           print link.attrs['href']
撰写回答
你尚未登录,登录后可以
  • 和开发者交流问题的细节
  • 关注并接收问题和回答的更新提醒
  • 参与内容的编辑和改进,让解决方法与时俱进
推荐问题