Question

我在使用BeautifulSoup从网页中提取特定链接时遇到问题。具体网页为http://punchdrink.com/recipe-archives/?filter-spirit__term=Gin

当我检查源代码时，我看到了我想要抓取的链接，特别是指向配方的链接（例如：http://punchdrink.com/recipes/breakfast-martini/），但是当我使用BeautifulSoup时，这些链接不显示在完全是HTML。

这是我抓取HTML的代码：

def drinkScraper(url, searchTerm):
  res = requests.get(url)
  res.raise_for_status()
  soup = bs4.BeautifulSoup(res.text)

print soup为html提供了该页面上任何食谱链接的参考。

我正试图抓住这个网站，找到他们档案中所有食谱的链接，但我似乎无法弄清楚这一点。

感谢您的帮助。

Answer 1

尽管如上所述，您可以使用selenium，但您也可以通过关注XHR请求并通过requests模拟这些请求来学习。如果您在打开Firebug或Chrome开发者工具时发现，在搜索字词时，它会请求api（通过XHR）并以json格式返回结果。您只需请求参数并解析结果即可。

像这样：

from bs4 import BeautifulSoup
import requests

jsonRequestData = '{"requests":[{"indexName":"wp_posts_recipe","params":"query=&hitsPerPage=1000&maxValuesPerFacet=100&page=0&distinct=false&facetingAfterDistinct=true&filters=record_index%3D0&facets=%5B%22spirit%22%2C%22style%22%2C%22season%22%2C%22flavor_profile%22%2C%22family%22%5D&tagFilters=&facetFilters=%5B%22spirit%3AGin%22%5D"}]}'
headers = {'Content-type': 'application/x-www-form-urlencoded', 'Accept': 'application/json'}

response = requests.post('http://h0iee3ergc-2.algolianet.com/1/indexes/*/queries?x-algolia-agent=Algolia%20for%20vanilla%20JavaScript%20(lite)%203.21.1%3Binstantsearch.js%201.11.6%3BJS%20Helper%202.19.0&x-algolia-application-id=H0IEE3ERGC&x-algolia-api-key=9a128c4989675ec375c59a2de9ef3fc1', headers=headers, data=jsonRequestData)

for hit in response.json()["results"][0]["hits"]:
    print ("%s (%s)" % (hit["post_title"], hit["permalink"]))

jsonRequestData是数据form post data的位置，您可以在其中更改搜索字词，headers是您要发送的标题。

它输出：

State Street Bloody Mary (http://punchdrink.com/recipes/state-street-bloody-mary/)
I'm Ya Huckleberry (http://punchdrink.com/recipes/im-ya-huckleberry/)
Girl From Cadiz (http://punchdrink.com/recipes/girl-from-cadiz/)
Breakfast Martini (http://punchdrink.com/recipes/breakfast-martini/)
Juniperotivo (http://punchdrink.com/recipes/juniperotivo/)
....

在Python中找不到使用Beautiful Soup的特定链接

1 个答案: