BeautifulSoup 不会从网页中提取所有表单

Posted 2023-02-22

【中文标题】BeautifulSoup 不会从网页中提取所有表单

【英文标题】：BeautifulSoup does not extract all forms from web page

【发布时间】：2017-08-19 13:26:46

【问题描述】：

我希望使用 Python3 和 BeautifulSoup 从给定网站中提取所有表单。

这是一个这样做的例子，但无法获取所有表单：

from urllib.request import urlopen
from bs4 import BeautifulSoup

url = 'https://www.qantas.com/au/en.html'
data = urlopen(url)
parser = BeautifulSoup(data, 'html.parser')
forms = parser.find_all('form')
for form in forms:
    print(form)
    print('\n\n')

如果您运行代码并访问 URL，您会注意到 Book a trip 表单没有被解析器抓取。

上面的代码只选择了三种形式，而在 Chrome 的 Developers tools > elements 页面中显示了 13 个 <form> 元素。但是如果我查看页面源（Chrome 中的Ctrl+U），源只显示了BeautifulSoup 抓取的三个表单。

如何抓取所有表单？

【问题讨论】：

不确定这里发生了什么，但是如果您转到该页面的“查看源代码”，它只会显示三个表单，这正是您所得到的。会不会是其他表单是在页面加载之后从服务器请求生成的？

【参考方案1】：

借助 phantomjs(http://phantomjs.org/download.html) 和 Selenium，您可以做到这一点

步骤：1.在终端或cmd使用命令：pip install selenium 2.下载phantomjs并解压，然后将“phantomjs.exe”放在python路径，例如windows，C:\Python27

比起使用这个代码，它会给你想要的结果：

# -*- coding: utf-8 -*-

from bs4 import BeautifulSoup
from  selenium import webdriver


url = 'https://www.qantas.com/au/en.html'


driver = webdriver.PhantomJS()
driver.get(url)

data = driver.page_source
parser = BeautifulSoup(data, 'html.parser')


forms = parser.find_all('form')
for form in forms:
    print(form)
    print('\n\n')

driver.quit()

它将打印所有 13 个表格。

注意：由于字数限制，无法在答案中输出。

【参考方案2】：

该网页似乎使用 javascript 来加载网页内容。尝试使用javascript disabled 在浏览器中查看该页面。

检查您的表单是否存在。如果不是，请检查是否是控制台中的任何 XHR 请求获取表单。如果没有，你应该考虑去selenium with phantomjs无头浏览器或者放弃对本站的抓取！！

无头浏览器将允许您获取动态创建的网页的内容并将该内容提供给 BeautifulSoup。