我的 Beautiful Soup 刮板没有按预期工作

Question

我正在尝试从以下网页中提取配料表：

https://skinsalvationsf.com/2012/08/updated-comedogenic-ingredients-list/

所以我要提取的第一个成分是乙酰化羊毛脂，最后一个成分是棕榈酸辛酯。

查看此 URL 的页面源代码，我了解到成分列表的模式如下所示：

<td valign="top" width="33%">Acetylated Lanolin <sup>5</sup></td>

所以我写了一些代码来提取列表，结果为零。下面是代码。

import requests
r = requests.get('https://skinsalvationsf.com/2012/08/updated-comedogenic-ingredients-list/')
from bs4 import BeautifulSoup
soup = BeautifulSoup(r.text, 'html.parser')

results = soup.find_all('td', attrs={'valign':'top'})

当我尝试 len(results) 时，结果为零。

我做错了什么？为什么我无法按预期提取列表？我是网络爬虫的初学者。

Answer 1

您的网络抓取代码正在按预期工作。但是，您的请求没有奏效。如果您检查请求的状态代码，您会看到您获得了 403 状态。

r = requests.get('https://skinsalvationsf.com/2012/08/updated-comedogenic-ingredients-list/')
print(r.status_code) # 403

服务器不允许 non-browser 请求。要使其正常工作，您需要在发出请求时使用 header。 header 应该类似于浏览器发送的内容：

headers = {
    'User-Agent': ('Mozilla/5.0 (Windows NT 6.1; WOW64) '
                   'AppleWebKit/537.36 (KHTML, like Gecko) '
                   'Chrome/56.0.2924.76 Safari/537.36')
}

r = requests.get('https://skinsalvationsf.com/2012/08/updated-comedogenic-ingredients-list/', headers=headers)

from bs4 import BeautifulSoup
soup = BeautifulSoup(r.text, 'html.parser')
results = soup.find_all('td', attrs={'valign':'top'})
print(len(results))

Answer 2

您的汤请求被禁止。

因此您无法抓取它。似乎网站正在阻止抓取。

print(soup)

<html>
<head><title>403 Forbidden</title></head>
<body bgcolor="white">
<center><h1>403 Forbidden</h1></center>
<hr/><center>nginx</center>
</body>
</html>

我的 Beautiful Soup 刮板没有按预期工作

My Beautiful Soup scraper is not working as intended

python

parsing

web-scraping

beautifulsoup

scraper