如何将 BeautifulSoup 标签转换为 JSON?
Posted
技术标签:
【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以上是关于如何将 BeautifulSoup 标签转换为 JSON?的主要内容,如果未能解决你的问题,请参考以下文章
如何将此 XPath 表达式转换为 BeautifulSoup?