Python网页抓取 - 当页面通过JS加载内容时如何获取资源？

Posted 2023-02-23

【中文标题】Python网页抓取 - 当页面通过JS加载内容时如何获取资源？

【英文标题】：Python web scraping - how to get resources with beautiful soup when page loads contents via JS?

【发布时间】：2015-06-27 12:32:45

【问题描述】：

所以我正在尝试使用 BeautifulSoup 和 urllib 从特定网站上抓取表格。我的目标是从此表中的所有数据创建一个列表。我曾尝试使用其他网站的表格使用相同的代码，并且效果很好。然而，在这个网站上尝试它时，该表返回一个 NoneType 对象。有人可以帮我弄这个吗？我曾尝试在网上寻找其他答案，但运气不佳。

代码如下：

import requests
import urllib

from bs4 import BeautifulSoup
soup = BeautifulSoup(urllib.request.urlopen("http://www.teamrankings.com/ncaa-basketball/stat/free-throw-pct").read())

table = soup.find("table", attrs='class':'sortable')

data = []
rows = table.findAll("tr")
for tr in rows:
    cols = tr.findAll("td")
    for td in cols:
        text = ''.join(td.find(text=True))
        data.append(text)

print(data)

【问题讨论】：

您查看过此页面的 html 吗？没有桌子……

如果您右键单击表格并点击“检查元素”，它会显示带有表格的 html。如果您右键单击页面上的其他任何位置，它将不会显示它。

您必须向 Selinium 发出完整的浏览器请求才能获得通过 AJAX/JS 生成的内容

【参考方案1】：

看起来这些数据是通过 ajax 调用加载的：

您应该改为定位该网址：http://www.teamrankings.com/ajax/league/v3/stats_controller.php

import requests
import urllib

from bs4 import BeautifulSoup


params = 
    "type":"team-detail",
    "league":"ncb",
    "stat_id":"3083",
    "season_id":"312",
    "cat_type":"2",
    "view":"stats_v1",
    "is_previous":"0",
    "date":"04/06/2015"


content = urllib.request.urlopen("http://www.teamrankings.com/ajax/league/v3/stats_controller.php",data=urllib.parse.urlencode(params).encode('utf8')).read()
soup = BeautifulSoup(content)

table = soup.find("table", attrs='class':'sortable')

data = []
rows = table.findAll("tr")
for tr in rows:
    cols = tr.findAll("td")
    for td in cols:
        text = ''.join(td.find(text=True))
        data.append(text)

print(data)

使用您的网络检查器，您还可以查看随 POST 请求一起传递的参数。

通常，另一端的服务器会检查这些值，如果您没有其中的部分或全部，则拒绝您的请求。上面的代码 sn-p 对我来说运行良好。我切换到urllib2，因为我通常更喜欢使用那个库。

如果数据在您的浏览器中加载，则可以抓取它。您只需要模仿浏览器发送的请求即可。

【讨论】：

请注意，您需要使用其代码使用的参数集发布到此 url

@FarmerJoe 谢谢，但不幸的是我不能使用 urllib2，因为我正在使用 Python3.4。我可以不使用 urllib2 吗？ （urlencode 不是 urllib 的属性，所以我不确定该使用什么）

@QwErTy99 我改了代码，现在应该可以在 python3 上运行了。

urllib.parse.urlencode(params).encode('utf8') 应该会修复该崩溃

@Eric 成功！像我想要的那样工作。谢谢！

【参考方案2】：

该网站上的表格是通过 javascript 创建的，因此当您将源代码扔到 BeautifulSoup 时，该表格并不存在。

您需要开始使用您选择的网络检查器，找出 javascript 从哪里获取数据 - 或者您应该使用类似 selenium 的东西来运行完整的浏览器实例。

【讨论】：

如果表格是用 Javascript 编码的，我将如何获取表格？抱歉，我似乎很幼稚，但我对编码比较陌生。

这是正确的，当您通过美汤请求该页面的资源时；你只会得到样板页面。然后该资源上的代码，稍后通过 javascript 将数据获取到 api。

@QwErTy99 你需要一个无头浏览器。查看jeanphix.me/Ghost.py

【参考方案3】：

由于表格数据是动态加载的，由于网络延迟等多种原因，更新表格数据会有一些延迟。因此，您可以通过延迟并读取数据来等待时间。 检查表数据，即长度是否为空，如果是，则在延迟一段时间后读取表数据。这会有所帮助。

查看了您使用的网址。由于您正在为表使用类选择器。确保它存在于 HTML 中的其他位置