作者ansem (DoubleA)
看板Python
標題[問題] BS無法辨認之前已出現過的的中文字。
時間Thu Jul 7 14:07:23 2016
小弟我在網頁抓資料時發現假如出現過的文字，再次出現時似乎無法被辨認。
import urllib
from bs4 import BeautifulSoup
#url
='
http://mops.twse.com.tw/mops/web/ajax_t164sb04?encodeURIComponent=1&step=1&firstin=1&off=1&keyword4=&code1=&TYPEK2=&checkbtn=&queryName=co_id&TYPEK=all&isnew=false&co_id=2330&year=102&season=01'
url='
http://mops.twse.com.tw/server-java/t164sb01?step=1&CO_ID=2330&SYEAR=2013&SSEASON=1&REPORT_ID=C'
response = urllib.urlopen(url)
html= response.read()
sp = BeautifulSoup(html,"lxml") #cp950
trs=sp.find_all('tr',attrs={'class':["odd","even"]})
for tr in trs: #只要前面的字有重複就會認不出來
tds=tr.find_all('td')
for td in tds:
if (td.get_text().strip().encode('utf8')=="營業收入合計"):
if (tds[1].get_text().strip()!=''):
print('Earning','102','1',tds[1].get_text().strip().encode('utf8'))
print('Earning','102','1',tds[2].get_text().strip().encode('utf8'))
if (td.get_text().strip().encode('utf8')=="基本每股盈餘合計"):
if (tds[1].get_text().strip()!=''):
print('EPS','102','1',tds[1].get_text().strip().encode('utf8'))
print('EPS','102','1',tds[2].get_text().strip().encode('utf8'))
程式在抓取第一個營業收入合計時完全沒有問題，而在抓取基本每股盈餘時就完全沒反應
而由於之前已經有出現過"基本每股盈餘"這個字串(不過少了合計)，請問這部分是程式的Bug
還是我的程式碼本身就有問題？
還請各位賜教。
--
※ 發信站: 批踢踢實業坊(ptt.cc), 來自: 60.250.205.229
※ 文章網址: https://www.ptt.cc/bbs/Python/M.1467871646.A.402.html
推 s860134: tds index寫死？ 07/07 19:13
→ ansem: 寫死的意思是?? 07/07 22:57
→ s860134: 我誤解了，實際跑下去應該是網頁中 tag 判斷有問題 07/08 08:04
→ s860134: 把 'lxml' parser 換成 'html.parser' 會好一點 07/08 08:05
→ s860134: 但是 ＤＯＭ 的結構感覺還是和預想的有差距 07/08 08:06
→ s860134: print(sp.find_all('table')[1]) 看一下尾端內容 07/08 08:07
→ s860134: 原本的 parser 爬得並不完整 07/08 08:07
→ s860134: 程式碼中的 sp 就已經沒抓到 "淨利（損）歸屬於："後的 07/08 10:08
→ s860134: 所有 <tr> tag 所以你在抓的時候抓不到 07/08 10:09
→ s860134: 可能 bs 本身有問題，直接拿 lxml.etree 來做是可以的 07/08 10:27
→ ansem: 其實當初我也發現BS似乎沒有抓到，但是以為發現的規則是有 07/08 11:40
→ ansem: 出現過的字無法重複判定，有點像是搜尋時假如重複出現兩個 07/08 11:41
→ ansem: 相同字串時就會讓BS無法讀取，總之感謝大大囉。 07/08 11:42
→ buganini: 把lxml換成html5lib 容錯能力會好一點 07/12 14:01