Beautifulsoup 网络抓取问题

Question

我正在使用 BeautifulSoup 和 mechanise 从网页中查找一些内容。问题是有时找不到我正在寻找的字符串。我不知道可能出现什么问题

对于许多网页来说，它可以正常工作几个月，但突然停止工作。然后我必须重新启动我的程序并希望得到正确的结果。

问题出在 data.find(text=re.compile('string to find')) 中。网页总是在下载，但有时找不到字符串。我认为问题可能出在加载页面的 HTML 格式错误？有什么想法吗？

这是我正在使用的代码的一小部分，仅供您审阅

from BeautifulSoup import BeautifulSoup as soup
from mechanize import Browser
import sys, re

def get_page(url):
    mech = Browser()
    page = mech.open(url)
    return page.read()

def test():
    data = soup(get_page('some url'))

    div_pages = data.find(text=re.compile('string to find'))

    try: pager = div_pages.strip().split(' ')
    except:
        print div_pages
        sys.exit()

    print 'ok'

if __name__ == '__main__':
    test()

Answer 1

我帮助某人解决了类似的问题，结果发现是字符串的编码问题。此链接（来自他们的文档）可能会帮助您 - 漂亮的汤给你Unicode，该死