使用 Python 从电子商务 Ajax 站点抓取 JSON 数据

Posted 2023-02-23

【中文标题】使用 Python 从电子商务 Ajax 站点抓取 JSON 数据

【英文标题】：Scraping JSON data from e-commerce Ajax site with Python

【发布时间】：2019-07-13 21:15:01

【问题描述】：

之前，我发布了一个关于如何从 AJAX 网站获取数据的问题，该网站来自此链接：Scraping AJAX e-commerce site using python

我了解如何在“网络”选项卡中使用 chrome F12 获取响应并使用 python 进行一些编码以显示数据。但我几乎找不到它的特定 API url。 JSON 数据不像之前的网站那样来自 URL，而是在 Chrome F12 的 Inspect Element 中。

---

我真正的问题实际上是如何使用 BeautifulSoup 或与之相关的任何东西仅获取 JSON 数据？在我只能从 application/id+json 获取 JSON 数据之后，我会将其转换为 python 可以识别的 JSON 数据，以便我可以将产品显示为表格形式。

还有一个问题是我多次运行代码后，JSON 数据丢失。我认为该网站会阻止我的 IP 地址。我该如何解决这个问题？

---

这里是网站链接：

https://www.lazada.com.my/catalog/?_keyori=ss&from=input&page=1&q=h370m&sort=priceasc

这是我的代码

从 bs4 导入 BeautifulSoup 导入请求

page_link = 'https://www.lazada.com.my/catalog/?_keyori=ss&from=input&page=1&q=h370m&sort=priceasc'

page_response = requests.get(page_link, ti​​meout=5)

page_content = BeautifulSoup(page_response.content, "html.parser")

打印（页面内容）

【参考方案1】：

您可以使用 find 方法和指向 <script> 标记的指针和 attr type=application/json

然后你可以使用json 包来加载字典中的值

这是一个代码示例：

from bs4 import BeautifulSoup as soup
import requests
import json

page_link = 'https://www.lazada.com.my/catalog/?_keyori=ss&from=input&page=1&q=h370m&sort=priceasc'
page_response = requests.get(page_link, timeout=5)
page_content = soup(page_response.text, "html.parser")

json_tag = page_content.find('script','type':'application/json')
json_text = json_tag.get_text()
json_dict = json.loads(json_text)
print(json_dict)

编辑： 糟糕，我没看到你搜索 type=application/ld+jsonattr 由于似乎有几个<script>with这个attr，你可以简单地使用find_all方法：

from bs4 import BeautifulSoup as soup
import requests
import json

page_link = 'https://www.lazada.com.my/catalog/?_keyori=ss&from=input&page=1&q=h370m&sort=priceasc'
page_response = requests.get(page_link, timeout=5)
page_content = soup(page_response.text, "html.parser")

json_tags = page_content.find_all('script','type':'application/ld+json')
for jtag in json_tags:
    json_text = jtag.get_text()
    json_dict = json.loads(json_text)
    print(json_dict)

【讨论】：

感谢您的代码。有用。但是在运行相同的代码 3 次之后，它就不再工作了。这是否意味着该网站正在阻止我的IP？

如何防止ip阻塞？使用硒？

不知道是不是ip屏蔽，也不知道怎么防止

没关系，先生。还是谢谢你

【参考方案2】：

您必须从您的Soup 手动解析来自 HTML 的数据，因为其他网站会限制他们的 json API 来自其他方。

您可以在文档中找到更多详细信息： https://www.crummy.com/software/BeautifulSoup/bs4/doc/

【参考方案3】：

试试：

import requests

response = requests.get(url)
data = response.json()

【讨论】：

很抱歉，我几乎无法理解您的解决方案。你能帮我写代码吗？