Question

我遇到的问题是我想从此页面抓取相关链接：http://support.apple.com/kb/TS1538

如果我在Chrome或Safari中检查元素，我可以看到<div id="outer_related_articles">和列出的所有文章。如果我尝试使用BeautifulSoup抓取它，它将获取页面和除相关文章之外的所有内容。

这是我到目前为止所拥有的：

import urllib2
from bs4 import BeautifulSoup
url = "http://support.apple.com/kb/TS1538"
response = urllib2.urlopen(url)
soup = BeautifulSoup(response.read())
print soup

Answer 1

此部分使用Javascript加载。停用浏览器的Javascript以查看BeautifulSoup“看到”页面的方式。

从这里你有两个选择：

使用无头浏览器，它将执行Javascript。请参阅以下问题：Headless Browser for Python (Javascript support REQUIRED!)
尝试并弄清楚苹果网站如何加载内容并模拟它 - 它可能会对某个地址进行AJAX调用。

经过一番挖掘后，似乎它对此地址（http://km.support.apple.com/kb/index?page=kmdata&requestid=2&query=iOS%3A%20Device%20not%20recognized%20in%20iTunes%20for%20Windows&locale=en_US&src=support_site.related_articles.TS1538&excludeids=TS1538&callback=KmLoader.receiveSuccess）发出了请求，并使用JSONP加载结果，其中KmLoader.receiveSuccess是接收函数的名称。使用Firebug of Chrome开发工具更详细地检查页面。

Answer 2

我遇到了类似的问题，BeautifulSoup可能无法捕获动态创建的html内容。一个非常基本的解决方案是让它在捕获内容之前等待几秒钟，或者使用具有等待元素然后继续的功能的Selenium。所以对于前者，这对我有用：

import time

# .... your initial bs4 code here

time.sleep(5) #5 seconds, it worked with 1 second too
html_source = browser.page_source

# .... do whatever you want to do with bs4

BeautifulSoup没有抓住动态内容

2 个答案: