等待实际结果加载到请求和美丽的汤中 - Python [重复]

Posted 2023-02-23

【中文标题】等待实际结果加载到请求和美丽的汤中 - Python [重复]

【英文标题】：Waiting for ACTUAL results to load in Requests and Beautiful Soup - Python [duplicate]

【发布时间】：2020-04-13 17:06:51

【问题描述】：

我正在尝试从 edx.org 网络抓取课程名称和链接。 C 目前我的代码看起来像这样。

from bs4 import BeautifulSoup
import requests
baseUrl = 'https://www.edx.org/course?search_query='
userString = 'python'  
scrapeUrl = baseUrl + userString

result = requests.get(scrapeUrl)
print('Response Status:', result.status_code)
src = result.content
soup = BeautifulSoup(src)

f = open('response.html', 'w')
f.write(str(soup))

print(result.headers)
print(soup.find('a', "class": "course-link"))

我面临的问题是soup.found('a', 'class': 'course-link') 部分输出的最后一位是无。 据我所知，返回的页面只是一个原始的“模板”，实际的课程对象还没有返回到页面。 （我尝试使用 cmd+shift+r 进行硬刷新，课程需要一些时间才能真正出现在页面上。）

老实说，我还没有对此进行太多研究。也许解决方案在于请求模块而不是美丽的汤模块。

我想我必须想办法等到所有课程都加载完毕。

如果有任何帮助，我将不胜感激。

【问题讨论】：

解决方案不在requests 或 BeautifulSoup。你需要懂 javascript 的东西。

【参考方案1】：

网页不再只是一个页面（不再），而是通常由许多请求组成。 request.get() 的结果是一条数据，可能是浏览器读取和解释的初始 HTML 页面，然后用于请求更多数据。

Python 请求不这样做：不读取和解释页面。它只是得到你所要求的。

因此，您需要像浏览器一样工作的东西：获取第一页、加载额外资源并解释 javascript（这可能会导致加载更多资源）。Selenium 是一个很好的工具。

或者，您需要查看页面以查看正在加载的内容并可能提出该请求。

例如，使用浏览器调试器查看 www.edx.org 页面，您会看到它（主页）加载了一个名为 subject 的文件（实际上是https://www.edx.org/api/v1/catalog/subjects）

而且，如果您查看 那个 文件，您会看到它是 json：

"count": 31,
 "next": null,
 "previous": null,
 "results": [
    
        "name": "Computer Science",
        "subtitle": "<p>Take online computer science courses from top institutions including Harvard, MIT and Microsoft. Learn to code with computer science courses including programming, web design, and more.</p>",
        "description": "<p>Enroll in the latest computer science courses covering Python, C programming, R, Java, artificial intelligence, cybersecurity, software engineering, and more. Learn from Harvard, MIT, Microsoft, IBM, and other top institutions. Join today.</p>\n<p>Related Topics - <a href=\"/learn/computer-programming\">Programming</a> | <a href=\"/learn/android-development\">Android Development</a> | <a href=\"/learn/apache-spark\">Apache Spark</a> | <a href=\"/learn/app-development\">App Development</a> | <a href=\"/learn/artificial-intelligence\">Artificial Intelligence</a> | <a href=\"/learn/azure\">Azure</a> | <a href=\"https://www.edx.org/learn/big-data\">Big Data</a> | <a href=\"/learn/blockchain-cryptography\">Blockchain</a> | <a href=\"https://www.edx.org/learn/c-programming\">C</a> | <a href=\"https://www.edx.org/learn/c-plus-plus\">C++</a> | <a href=\"https://www.edx.org/learn/c-sharp\">C#</a> | <a href=\"/learn/cloud-computing\">Cloud Computing</a> | <a href=\"/learn/cybersecurity\">Cybersecurity</a> | <a href=\"https://www.edx.org/learn/data-science\">Data Science</a> | <a href=\"https://www.edx.org/learn/data-analysis\">Data Analysis</a> | <a href=\"/learn/databases\">Databases</a> | <a href=\"https://www.edx.org/learn/devops\">Devops</a> | <a href=\"/learn/front-end-web-development\">Front End Web Development</a> | <a href=\"/learn/hadoop\">Hadoop</a> | <a href=\"/learn/html\">HTML</a> | <a href=\"/learn/information-technology\">Information Technology</a> | <a href=\"/learn/java\">Java</a> | <a href=\"/learn/javascript\">JavaScript</a> | <a href=\"/learn/linux\">Linux</a> | <a href=\"/learn/machine-learning\">Machine Learning</a> | <a href=\"/learn/matlab\">Matlab</a> | <a href=\"/learn/mobile-development\">Mobile Development</a> | <a href=\"/learn/python\">Python</a> | <a href=\"https://www.edx.org/learn/r-programming\">R</a> | <a href=\"/learn/robotics\">Robotics</a> | <a href=\"https://www.edx.org/learn/software-engineering\">Software Engineering</a> | <a href=\"https://www.edx.org/learn/sql\">SQL</a> | <a href=\"/learn/t-sql\">T-SQL</a> | <a href=\"https://www.edx.org/learn/user-experience-ux\">UX Design</a> | <a href=\"https://www.edx.org/learn/virtual-reality\">Virtual Reality</a> | <a href=\"/learn/web-development\">Web Development</a> | <a href=\"https://www.edx.org/learn/web-design\">Web Design</a> | <a href=\"https://www.edx.org/masters/online-master-science-computer-science-utaustinx\">Master's in Computer Science</a> | <a href=\"https://www.edx.org/masters/online-master-science-analytics-georgia-tech\">Master's in Analytics</a> | <a href=\"https://www.edx.org/masters/online-master-data-science-uc-san-diego\">Master's in Data Science</a></p>",
        "banner_image_url": "https://www.edx.org/sites/default/files/cs-1440x210.jpg",
        "card_image_url": "https://www.edx.org/sites/default/files/subject/image/card/computer-science.jpg",
        "slug": "computer-science",
        "uuid": "e52e2134-a4e4-4fcb-805f-cbef40812580"
    ,
... etc.

所以，根据你想要做什么，你可以使用request.get('https:/www.edu.org/api/v1/catalog/subjects')，将它从json转换成python对象，问题就解决了！

【讨论】：

想确认requests模块与urllib.request相同。

@RahulTandon，请求模块比 urllib.request 具有更多功能。您应该熟悉并使用该模块——它非常好（根据您的安装，您可能必须安装 requests 模块，因为它不随基本 python 提供。）