Question

我正在尝试从这个usl获取html源代码： http://books.google.com/books?id=NZlV0M5Ije4C&dq=isbn:0470284889

我使用了以下代码：

#!/usr/bin/env python

import urllib, urllib2, urlparse, argparse, re
from bs4 import BeautifulSoup

def getPageSoup(address):
    request = urllib2.Request(address, None, {'User-Agent':'Mozilla/5.0 (compatible; MSIE 6.0; Windows NT 5.1)'} )
    urlfile = urllib2.urlopen(request)
    page = urlfile.read()
    urlfile.close()
    print 'soup has been obtained!'
    return BeautifulSoup(page)

soup2 = getPageSoup(address)
metadata = soup2.findAll("metadata_row")#this content is present when viewing from the web browser

但是，来自soup2的html源代码看起来不像Google图书页面中的来源：

   <!DOCTYPE html PUBLIC "-//W3C//DTD XHTML 1.0 Strict//EN""http://www.w3.org/TR/xhtml1/DTD/xhtml1-strict.dtd">
    <html><head><title>Quantitative Trading: How to Build Your Own Algorithmic Trading Business - Ernie Chan - Google Books</title><script>(function(){function a(c){this.t={};this.tick=function(c,e,b){b=void 0!=b?b:(new Date).getTime();this.t[c]=[b,e]};this.tick("start",null,c)}var d=new a;window.jstiming={Timer:a,load:d};try{var f=null;window.chrome&amp;&amp;window.chrome.csi&amp;&amp;(f=Math.floor(window.chrome.csi().pageT));null==f&amp;&amp;window.gtbExternal&amp;&amp;(f=window.gtbExternal.pageT());null==f&amp;&amp;window.external&amp;&amp;(f=window.external.pageT);f&amp;&amp;(window.jstiming.pt=f)}catch(g){};})();
    </script><link href="/books/css/_9937a87cb2905e754d8d5e36995f224d/kl_about_this_book_kennedy_full_bundle.css" rel="stylesheet" type="text/css"/></head></html>

来自urllib2和我的网络浏览器的HTML源代码非常不同。如何获得正确的页面源？

谢谢！

Answer 1

这是正确的页面来源。页面的所有可见内容都是由JavaScript生成的。因此，使用urllib获取实际内容是不可能的。您应该使用浏览器扩展，webkit绑定或类似的东西。

美丽的汤页源错误

1 个答案: