如何使用 BeautifulSoup 正确解析嵌套 HTML 表格中的油价数据-Python教程-PHP中文网

如何使用 BeautifulSoup 正确解析嵌套 HTML 表格中的油价数据

本文详解为何 CSS 选择器返回 None，并提供健壮的 BeautifulSoup 解析方案，解决因缺失标签导致的元素定位失败问题，确保燃油价格自动抓取稳定可靠。

本文详解为何 css 选择器返回 `none`，并提供健壮的 beautifulsoup 解析方案，解决因缺失 `

` 标签导致的元素定位失败问题，确保燃油价格自动抓取稳定可靠。

在使用 BeautifulSoup（特别是 select_one()）从网页中提取结构化数据时，一个常见却极易被忽视的问题是：HTML 文档实际结构与开发者工具中显示的“美化后结构”不一致。你遇到的 "Initial number: None" 错误，根本原因正是 CSS 选择器过度依赖了浏览器开发者工具自动补全的 <tbody> 标签——而目标网站 <code>https://nbeub.ca/index.php?page=current-petroleum-prices-2 的原始 HTML 中，<tr> 元素是<strong>直接嵌套在 <code><table> 内的，并未显式声明 <code><tbody>。因此，原选择器：<pre class="brush:php;toolbar:false;">body > table > tbody > tr:nth-child(5) > td > ...</pre> <p>会在解析时逐级匹配失败，最终返回 <code>None。

✅ 正确做法是改用更鲁棒的后代选择器（descendant selector），省略对 <tbody> 的强制要求。只需将所有 <code>> tbody > 替换为空格（即 ` `），让选择器匹配任意层级的后代元素：

import requests
from bs4 import BeautifulSoup
import time

url = 'https://nbeub.ca/index.php?page=current-petroleum-prices-2'

def fetch_number():
    try:
        response = requests.get(url, timeout=10)
        response.raise_for_status()  # 检查 HTTP 错误状态码
        soup = BeautifulSoup(response.text, 'html.parser')

        # ✅ 修正后的选择器：移除所有 > tbody >，使用空格表示后代关系
        element = soup.select_one(
            'body > table tr:nth-child(5) > td > table tr > td > table tr > td:nth-child(3) > table tr:nth-child(3) > td:nth-child(2)'
        )

        # 安全提取文本：去除空白、处理 None
        if element and element.get_text(strip=True):
            return element.get_text(strip=True)
        else:
            return "N/A"
    except Exception as e:
        print(f"⚠️  抓取异常: {e}")
        return "ERROR"

def monitor():
    last_number = fetch_number()
    print(f"Initial number: {last_number}")

    # ⚠️ 注意：原代码中 time.sleep(2592000) 是 30 天，开发调试建议先设为 10–60 秒
    while True:
        time.sleep(60)  # 调试阶段建议缩短间隔
        current_number = fetch_number()

        if current_number != last_number and current_number not in ["N/A", "ERROR"]:
            print(f"✅ Number updated: {current_number}")
            last_number = current_number
        else:
            print("ℹ️  No change or invalid value.")

if __name__ == "__main__":
    monitor()

? 关键优化说明：

选择器健壮性提升：使用 table tr（后代）替代 table > tbody > tr（子元素），兼容无 <tbody> 的真实 HTML； <li> <strong>异常防护</strong>：添加 <code>try/except 和 response.raise_for_status()，避免网络错误导致程序崩溃；
文本安全提取：调用 .get_text(strip=True) 避免空格、换行干扰，并显式检查 element 是否存在；
调试友好：初始轮询间隔改为 60 秒，便于快速验证逻辑；生产环境再按需调整至数小时或数天；
可维护性增强：若未来页面结构调整，建议结合 soup.find_all('table') 层级遍历 + 关键文本定位（如查找含 "Regular Unleaded" 的行），比硬编码 nth-child 更可持续。

? 额外建议：该网站未设置反爬头，但长期运行仍建议添加 headers={'User-Agent': 'Mozilla/5.0...'}；同时注意遵守 robots.txt（访问 https://nbeub.ca/robots.txt 查看限制），并尊重网站更新频率，避免高频请求。