抓取网页时html元素找不到

Posted 2023-04-06

我想抓取网页中的信息。查询号码归属地的一个页面如下所示：
http://guishu.showji.com/search.htm?m=13900008888
我在Chrome中查看该网页的源代码，却看到对应“归属省份：新疆”的地方为：
<li>归属省份：<span id="txtProvince"></span></li>
那么我该如何抓取“新疆”这个信息呢？为什么它没有直接显示在html文件中呢？

非常感谢！

亲，这个标签里面的省份是动态获取的，也就是不是固定的，你查看源代码的方式只能看到网页原来的样子，而没有看到网页动态加载后的样子，你要右键点击省份那里选择审查元素就看见动态加载的内容，直接获取消息还是用

document.getElementById("txtProvince"),但是要等到页面加载完后才能获取到

参考技术A

要抓取的地址应该是这个

$str = 'http://v.showji.com/locating/showji.com.aspx?m=13900008888&output=json&callback=querycallback&timestamp=1413972643837';
//号码后面的参数要不要都能行,数据格式不同而已

本回答被提问者采纳 参考技术B 要抓取的地址应该是这个

1
2

$str = 'http://v.showji.com/locating/showji.com.aspx?m=13900008888&output=json&callback=querycallback×tamp=1413972643837';
//号码后面的参数要不要都能行,数据格式不同而已 参考技术C 那些信息估计是通过js异步加载进来的，因此你看源码是看不到的。你可以分析一下请求和返回的数据来获取

BeautifulSoup 和 lxml 找不到 div 元素

【中文标题】BeautifulSoup 和 lxml 找不到 div 元素

【英文标题】：BeautifulSoup and lxml cannot find div element

【发布时间】：2018-03-03 01:11:03

【问题描述】：

刚开始用 python 抓取网页，我遇到了一些问题。

我开始使用 Selenium 下载网页的源代码并保存：

from selenium import webdriver
driver= webdriver.Firefox()
driver.get("https://www.website.com")
f=open('output.txt','w')
f.write(driver.page_source.encode('utf-8'))
f.close()
driver.quit()

一切正常，但是 Selenium 太费时间了，所以我首先转向机械化，以获取页面源：

import mechanize
browser = mechanize.Browser()
browser.set_handle_robots(False)
cookies = mechanize.CookieJar()
browser.set_cookiejar(cookies)
browser.addheaders = [('User-agent', 'Mozilla/5.0')]
browser.set_handle_refresh(False)
browser.open("https://www.website.com")

问题来了：如果我尝试通过它的 id 查找特定的 div，它不会返回任何内容：

from bs4 import BeautifulSoup as BS
soup= BS(browser.response().read(),'lxml')
print(soup.find(id="div_id"))

虽然如果我使用常规文本编辑器检查使用 mechanize 获得的源代码，我可以找到它。是这样的：

<div id="div_id" data referrer="div_id">

这个 div 有许多其他子元素，它位于代码的 1/5 左右，完整的源代码大约 500kb。如果我尝试寻找附近的其他 div，也没有运气。然而，如果我在源代码开头附近寻找一些 div，它会找到它。更有趣的是，如果我尝试在使用 Selenium 获得的源代码中寻找相同的 div（使用 BS），而不是获得的那个使用 Mechanize，它能够找到它，尽管使用文本编辑器检查 div 看起来完全一样。

我尝试了所有支持 BS 的解析器，但没有成功。所以我认为这可能与BS有关，我尝试对lxml做同样的事情：

from lxml import etree
parser= etree.HTMLParser()
tree= etree.parse(open('source.txt'),parser)
results= tree.xpath('//div[@id="div_id"]')
print(etree.tostring(results[0]))

与 BS 一样，它能够在使用 Selenium 获得的源代码中找到 div，但无法使用 Mechanize。所以我觉得可能跟 Mechanize 有关系，转而使用 Requests：

import requests
from fake_useragent import UserAgent
ua=UserAgent()
url= 'https://www.website.com'
headers= 'User-agent': str(ua.chrome)
page = requests.get(url, headers=headers)

当使用 BS 或 lxml 查看 div 的 page.content 时，再次失败。无论我是直接分析响应还是将其保存到文件中然后分析文件，都会发生这种情况。

我认为就是这样......我还尝试对 Mechanize 和 Requests 响应进行编码，因为我看到我已经使用 Selenium 完成了它，但没有任何变化。我也试过用其他BS版本（3.x），没有变化。

总结一下： - 如果我在通过 Selenium 获得的源代码中查找带有 BS 或 lxml 的 div，它会找到它。与其他的，没有。 - 如果我在源代码开头寻找其他div，BS和lxml找到它，与用于获取代码的方法无关。 - 经检查，div 在任何情况下都存在。

使用的版本： -蟒蛇：2.7.9 -BeautifulSoup：4.6.0 -机械化：0.3.5 -请求：2.18.4 -硒：3.5.0 -lxml：4.0.0 -操作系统：linux debian

谢谢。

【问题讨论】：

如果你给我们实际的 URL 会有所帮助。

url: facebook.com/groups/1584160618524185 div id: pagelet_forsale_island 谢谢

【参考方案1】：

您要查找的 div 隐藏在可能通过 Javascript 处理的 HTML 注释中。您仍然可以使用requests 首先提取隐藏的 HTML，如下所示：

from bs4 import BeautifulSoup, Comment
import requests

id = "pagelet_forsale_island"

r = requests.get("https://www.facebook.com/groups/1584160618524185/")
soup = BeautifulSoup(r.content, "html.parser")

for comment in soup.find_all(string=lambda text:isinstance(text, Comment)):
    if id in comment:
        hidden_soup = BeautifulSoup(comment, "html.parser")

        for div in hidden_soup.find_all('div', id=id):
            print div

这会让 BeautifulSoup 找到 HTML 中的所有评论，然后确定其中是否包含您的 id。如果找到匹配项，则注释本身会再次传递给 BeautifulSoup 进行进一步处理。这会将您的<div> 显示为：

<div data-referrer="pagelet_forsale_island" id="pagelet_forsale_island"></div>

【讨论】：

就是这样！你介意解释一下“for comment in soup.find_all(string=lambda text:isinstance(text, Comment)):”是如何工作的吗？我不太确定。你认为 BS 最适合这项任务，还是其他工具更适合我？谢谢！

comments 只是特殊类型的文本。这是一个让它返回文档中找到的所有评论的技巧。还有其他工具，不过我倾向于使用 BS。