Güzel Çorbası findAll kodu

Question

Ben bir web sitesi ayrıştırmak ve BeautifulSoup.findAll ile biraz bilgi almaya çalışıyorum ama hepsini bulamaz .. ben python3

kullanıyorum tüm bunları bulamazsa sadece bunların yarısı basar bu

#!/usr/bin/python3 

from bs4 import BeautifulSoup 
from urllib.request import urlopen 

page = urlopen ("http://mangafox.me/directory/") 
# print (page.read()) 
soup = BeautifulSoup (page.read()) 

manga_img = soup.findAll ('a', {'class' : 'manga_img'}, limit=None) 

for manga in manga_img: 
    print (manga['href']) 

... kırık HTML ile farklı

Answer 1

Farklı bir HTML ayrıştırıcıları bir anlaşma. O sayfa kırık HTML hizmet vermektedir ve lxml ayrıştırıcı onunla çok iyi ilgileniyor değildir:

>>> import requests 
>>> from bs4 import BeautifulSoup 
>>> r = requests.get('http://mangafox.me/directory/') 
>>> soup = BeautifulSoup(r.text, 'lxml') 
>>> len(soup.findAll('a', {'class' : 'manga_img'})) 
18 

html.parser bu özel sayfayla daha az sorun yaşar standart kütüphane:

>>> soup = BeautifulSoup(r.text, 'html.parser') 
>>> len(soup.findAll('a', {'class' : 'manga_img'})) 
44 

özel koduna olduğunu çevirme urllib kullanarak örnek, böylece ayrıştırıcı belirtmek istiyoruz:

soup = BeautifulSoup(page.read(), 'html.parser')