Beautiful Soup 4 find_all 找不到 Beautiful Soup 3 找到的链接

我注意到一个非常烦人的错误：BeautifulSoup4（包：bs4）经常会发现比以前版本更少的标签（包：BeautifulSoup).

这是该问题的一个可重现的实例：

import requests
import bs4
import BeautifulSoup

r = requests.get('http://wordpress.org/download/release-archive/')
s4 = bs4.BeautifulSoup(r.text)
s3 = BeautifulSoup.BeautifulSoup(r.text)

print 'With BeautifulSoup 4 : {}'.format(len(s4.findAll('a')))
print 'With BeautifulSoup 3 : {}'.format(len(s3.findAll('a')))

Output:

With BeautifulSoup 4 : 557
With BeautifulSoup 3 : 1701

正如您所看到的，差异并不小。

以下是模块的确切版本，以防有人想知道：

In [20]: bs4.__version__
Out[20]: '4.2.1'

In [21]: BeautifulSoup.__version__
Out[21]: '3.2.1'

你有lxml已安装，这意味着BeautifulSoup 4将使用that标准库上的解析器html.parser option.

您可以将 lxml 升级到 3.2.1（对我来说，它会为您的测试页返回 1701 个结果）； lxml本身使用libxml2 and libxslt这也可能是罪魁祸首。您可能需要升级those相反/也。请参阅lxml 需求页面;目前建议使用 libxml2 2.7.8 或更高版本。

或者在解析 soup 时显式指定其他解析器：

s4 = bs4.BeautifulSoup(r.text, 'html.parser')