python-beautifulsoup 误报了我的 html 吗？

Question

据我所知，我每台机器都有两台，运行 python 2.5 和 BeautifulSoup 3.1.0.1。

我正在尝试抓取 http://utahcritseries.com/RawResults.aspx，使用

from BeautifulSoup import BeautifulSoup
import urllib2

base_url = "http://www.utahcritseries.com/RawResults.aspx"

data=urllib2.urlopen(base_url)
soup=BeautifulSoup(data)
i = 0
table=soup.find("table",id='ctl00_ContentPlaceHolder1_gridEvents')
#table=soup.table
print "begin table"
for row in table.findAll('tr')[1:10]:
    i=i + 1
    col = row.findAll('td')
    date = col[0].string
    event = col[1].a.string
    confirmed = col[2].string
    print '%s - %s' % (date, event)
print "end table"
print "%s rows processed" % i

： windows机器，我得到了正确的结果，它是日期和事件名称的列表。 在我的 Mac 上，我没有。 相反，我注意到

3/2/2002 - Rocky Mtn Raceway Criterium
None - Rocky Mtn Raceway Criterium
3/23/2002 - Rocky Mtn Raceway Criterium
None - Rocky Mtn Raceway Criterium
4/2/2002 - Rocky Mtn Raceway Criterium
None - Saltair Time Trial
4/9/2002 - Rocky Mtn Raceway Criterium
None - DMV Criterium
4/16/2002 - Rocky Mtn Raceway Criterium

，当我

print row

在 Windows 机器上时，tr 数据看起来与源 html 完全相同。 请注意第二个表格行上的样式标签。 这是前两行：

<tr>
<td>
 3/2/2002
</td>
<td>
 <a href="Event.aspx?id=226">
  Rocky Mtn Raceway Criterium
 </a>
</td>
<td>
 Confirmed
</td>
<td>
 <a href="Event.aspx?id=226">
  Points
 </a>
</td>
<td>
 <a disabled="disabled">
  Results
 </a>
</td>
</tr>

<tr style="color:#333333;background-color:#EFEFEF;">
<td>
 3/16/2002
</td>
<td>
 <a href="Event.aspx?id=227">
  Rocky Mtn Raceway Criterium
 </a>
</td>
<td>
 Confirmed
</td>
<td>
 <a href="Event.aspx?id=227">
  Points
 </a>
</td>
<td>
 <a disabled="disabled">
  Results
 </a>
</td>
</tr>

在我的 Mac 上，当我打印前两行时，样式信息将从 tr 标记中删除，并移至每个 td 字段中。 我不明白为什么会发生这种情况。 对于每个其他日期值，我都没有得到任何值，因为 BeautifulSoup 在每隔一个日期周围放置一个字体标签。 这是 Mac 的输出：

<tr>
<td>
 3/2/2002
</td>
<td>
 <a href="Event.aspx?id=226">
  Rocky Mtn Raceway Criterium
 </a>
</td>
<td>
 Confirmed
</td>
<td>
 <a href="Event.aspx?id=226">
  Points
 </a>
</td>
<td>
 <a disabled="disabled">
  Results
 </a>
</td>
</tr>

<tr bgcolor="#EFEFEF">
<td>
 <font color="#333333">
  3/16/2002
 </font>
</td>
<td>
 <font color="#333333">
  <a href="Event.aspx?id=227">
   Rocky Mtn Raceway Criterium
  </a>
 </font>
</td>
<td>
 <font color="#333333">
  Confirmed
 </font>
</td>
<td>
 <font color="#333333">
  <a href="Event.aspx?id=227">
   Points
  </a>
 </font>
</td>
<td>
 <font color="#333333">
  <a disabled="disabled">
   Results
  </a>
 </font>
</td>
</tr>

我的脚本在 Windows 下显示正确的结果 - 我需要做什么才能让我的 Mac 正常工作？

Answer 1

BeautifulSoup 3.1 版存在已记录的问题。

您可能需要仔细检查您实际上正在使用的版本，如果是，则降级。

Answer 2

我怀疑问题出在 urlib2 请求中，而不是 BeautifulSoup：

如果您向我们展示两台机器上此命令返回的原始数据的同一部分，可能会有所帮助：

urllib2.urlopen(base_url)

此页面看起来可能会有所帮助：
http://bytes.com/groups/python/635923- Building-browser-like-get-request

最简单的解决方案可能只是检测脚本运行的环境并相应地更改解析逻辑。

>>> import os
>>> os.uname() 
('Darwin', 'skom.local', '9.6.0', 'Darwin Kernel Version 9.6.0: Mon Nov 24 17:37:00 PST 2008; root:xnu-1228.9.59~1/RELEASE_I386', 'i386')

或者让微软使用网络标准:)

另外，你没有使用 mechanize 来获取页面吗？ 如果是这样，问题可能就在那里。