问

网页爬虫 - python爬取网页的时候，某些字符丢失

守护雪天_使0062_423 发布于 2022-10-27 10:58

http

在爬取
http://www.jyeoo.com/chinese/...
这个网页的内容的时候，我使用beautifulSoup解析网页内容

head = {'User-Agent':'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/53.0.2785.143 Safari/537.36'}
    r = urllib2.Request('http://www.jyeoo.com/chinese/ques/detail/798530b2-05b0-4c11-9434-bb3f50c4c6f4',headers=head)
    html = urllib2.urlopen(r)
    soup = BeautifulSoup(html,'html5lib')
    print soup.prettify()

这样打印出来的网页内容与原网页相比，某些字符丢失了！！这是原网页的html，注意其中的文字

这是我爬取的html，在同一个地方，我的截图如下：

可以发现，中文字符部分丢失了一些字，但是在页面的其他部分，就没有丢失，比如

不知道是什么原因，有知道的大神还请帮忙解答一下！！！！多谢

1 个回答

不要用bs4解析

用re正则来取得内容

还请大神指教，请问您之前遇到过类似的情况吗，这是什么原因造成的呢

@天凉好个秋

网页用js来防复制，为了避免禁用js，内容里的某些字是由js来补全的。
所以，要有运行js的工具

试了几次，好像丢失内容有点随机性的~

多读取几次就正常了~

python3
```
import re, requests as req

url = r'http://www.jyeoo.com/chinese/ques/detail/798530b2-05b0-4c11-9434-bb3f50c4c6f4'
rsp = req.get(url)
html = rsp.text
fldsptn = re.compile(r'<fieldset.*?</fieldset>',re.S)
flds = fldsptn.findall(html)
print(flds[0])
```
2022-11-12 01:43 回答

mobiledu2502886077

撰写答案

今天，你开发时遇到什么问题呢？

立即提问

热门标签