如何将 BeautifulSoup 标签转换为 JSON？

Posted 2023-02-23

【中文标题】如何将 BeautifulSoup 标签转换为 JSON？

【英文标题】：How to convert a BeautifulSoup tag to JSON?

【发布时间】：2020-04-27 03:13:18

【问题描述】：

我有一个类型元素，bs4.element.Tag，是网络抓取的产物，我通常这样做：json.loads (soup.find ('script', type = 'application / ld + json'). Text)，但在此页面上它只出现在：<script> </script>，所以我不得不这样做：scripts = soup.find_all ('script')，直到我找到我感兴趣的：script = scripts [18]。

有问题的变量是script。我的问题是我想访问它的属性，例如script ['goodsInfo']，显然是一个元素类型bs4.element.Tag，尝试做：script.attrs 并返回我。然后我尝试将其转换为json: json.loads (str (script)) 类型，它抛出了异常：'JSONDecodeError: Expecting value: line 1 column 1 (char 0)'

这是我的代码：

import json
from bs4 import BeautifulSoup
import requests
url_aux = 'https://www.shein.com/Mock-neck-Brush-Stroke-Print-Bodycon-Dress-p-941649-cat-1727.html?scici=navbar_2~~tab01navbar04~~4~~real_1727~~~~0~~0'

response = requests.get(url_aux)
soup = BeautifulSoup(response.content, "html.parser")

scripts = soup.find_all('script')
script = scripts[18]

print(json.loads(str(script)))
#output: JSONDecodeError: Expecting value: line 1 column 1 (char 0)

print(type(script))
#output: bs4.element.Tag

print(str(json.loads(str(script))))

【问题讨论】：

var gbProductDetailsSsrData 后面的结构是否总是相同的？因为在这种情况下您可以使用re 包来检索数据。

你需要找到第一个和最后一个加上1。然后将whitespace 和\n 替换为空白"" 然后就可以开始加载了！

【参考方案1】：

您可以使用json 模块来提取数据，但首先需要找到正确的信息 - 您可以使用re 模块来提取数据。

例如：

import re
import json
import requests

url = 'https://eur.shein.com/Mock-neck-Brush-Stroke-Print-Bodycon-Dress-p-941649-cat-1727.html?scici=navbar_2~~tab01navbar04~~4~~real_1727~~~~0~~0&ref=www&rep=dir&ret=eur'

txt = re.findall(r'goodsInfo\s*:\s*(.*)', requests.get(url).text)[0]

data = json.loads(txt)

# print(json.dumps(data, indent=4)) # <-- uncomment to see all data

print(data['detail']['goods_name'])
print(data['detail']['brand'])
print('Num of comments:', data['detail']['comment']['comment_num'])

打印：

Mock-neck Brush Stroke Print Bodycon Dress
SHEIN
Num of comments: 17

【讨论】：

感谢您提供正则表达式。很高兴有一个可以在任何脚本中获取任何对象。打得好！

【参考方案2】：

BS4 不解析 javascript，从 BS4 的 Tag 对象的 POV 来看，<script> 标记中的文本就是文本。我不知道这个脚本是什么样子的（因为你没有发布它，我也不会费心去寻找它），但如果你的期望是 script ['goodsInfo'] 会返回 JS 的值那么名为“goodInfo”的变量，坏消息，它不会那样工作。

此外，Javascript 不是 JSON，因此 JS sn-p 成为有效 json 的可能性至少可以说是很小的。测试它的正确语法与您用于第一个用例的语法完全相同，即json.loads(script.text)，但我认为这是您尝试的第一件事;-)

所以，好吧，恐怕您必须手动解析此脚本以提取相关部分。根据 js 代码的样子，可能是几行基本字符串解析/正则表达式的问题，或者可能需要适当的 Javascript 解析器等。

【讨论】：

我已尝试发布输出，但它超出了允许的字符数