网页爬虫 - 【如图】python爬取的html页面和浏览器显示源码的结果不同

Answer 1

经过实测，结论是 bs4 改变了属性的顺序。

1、在浏览器中右键点击页面，选：

审查元素

查看网页源码

2、在 python3 程序中对比：

import re
ptn_tr = re.compile(r'<tr[^>]+>')

import requests as req
rsp=req.get('http://www.pythonscraping.com/pages/page3.html')
html = rsp.text
print('requests:\t', ptn_tr.findall(html)[0])

from urllib.request import urlopen
rsp = urlopen("http://www.pythonscraping.com/pages/page3.html")
html = rsp.read().decode()
print('urlopen:\t', ptn_tr.findall(html)[0])

from bs4 import BeautifulSoup
html = str(BeautifulSoup(html,"lxml"))
print('bs4Soup:\t', ptn_tr.findall(html)[0])

结果：

requests:     <tr id="gift1" class="gift">
urlopen:     <tr id="gift1" class="gift">
bs4Soup:     <tr class="gift" id="gift1">

Answer 2

class和id顺序不一样而已,
你用chrome和firefox查看同一个网页源代码,顺序也是不一样的.

Answer 3

建议题主把网站甚至自己的代码贴出来，方便大家帮你调试。不一样很正常，如果你爬虫爬下来的内容保存为静态页面，和你用浏览器看到的不一样，那么肯定是对对方反爬虫机制给识别了，所以服务器会返回不同的信息。识别爬虫的方法很多，题主如果还有疑惑欢迎再问

Answer 4

楼主建议你贴出全部源代码，因为网站可以识别你是人工浏览器操作还是爬虫。

目前代码来看，建议你增加头部信息！use-agent 那行代码！