刚开始在python中进行网页抓取,我遇到了一些问题。
我开始使用Selenium下载网页的来源并保存:
from selenium import webdriver
driver= webdriver.Firefox()
driver.get("https://www.website.com")
f=open('output.txt','w')
f.write(driver.page_source.encode('utf-8'))
f.close()
driver.quit()
一切都运行良好,但Selenium需要花费太多时间,所以我首先转向机械化,以获取页面源:
import mechanize
browser = mechanize.Browser()
browser.set_handle_robots(False)
cookies = mechanize.CookieJar()
browser.set_cookiejar(cookies)
browser.addheaders = [('User-agent', 'Mozilla/5.0')]
browser.set_handle_refresh(False)
browser.open("https://www.website.com")
问题出现了:如果我尝试通过它的id找到一个特定的div,它就会返回我:
from bs4 import BeautifulSoup as BS
soup= BS(browser.response().read(),'lxml')
print(soup.find(id="div_id"))
虽然如果我使用常规文本编辑器检查使用mechanize获得的源代码,我可以找到它。它类似于:
<div id="div_id" data referrer="div_id">
这个div有许多其他的子元素,它位于1/5和#34;代码,完整的源代码大约是500kb。如果我试着寻找附近的其他div,也没有运气。然而,如果我在源代码的开头附近寻找一些div,它会找到它。如果我尝试在Selenium获得的源代码中尝试查找相同的div(使用BS),那么更有趣的是使用Mechanize获得的那个,它能够找到它,尽管通过文本编辑器检查div似乎完全相同。
我尝试了所有BS支持的解析器,没有运气。所以我认为它可能与BS有关,我试图用lxml做同样的事情:
from lxml import etree
parser= etree.HTMLParser()
tree= etree.parse(open('source.txt'),parser)
results= tree.xpath('//div[@id="div_id"]')
print(etree.tostring(results[0]))
与BS一样,它能够在使用Selenium获得的源代码中找到div,但不能在Mechanize中找到。所以我认为它可能与Mechanize有关,并转而使用Requests:
import requests
from fake_useragent import UserAgent
ua=UserAgent()
url= 'https://www.website.com'
headers= {'User-agent': str(ua.chrome)}
page = requests.get(url, headers=headers)
当查看div的page.content时,使用BS或lxml,再次没有运气。我是否直接分析响应或是否将其保存到文件中然后分析文件。
我认为这是关于它的......我也尝试编码机械化和请求响应,因为我看到我用Selenium完成了它,但没有改变。我也试过使用其他BS版本(3.x),没有变化。
总结一下: - 如果我在通过Selenium获得的源代码中查找带有BS或lxml的div,它会找到它。与其他的一样,没有。 - 如果我在源代码的开头寻找其他div,BS和lxml找到它,独立于获取代码的方法。 - 在检查时,每个案例都有div。
使用的版本: -python:2.7.9 -BeautifulSoup:4.6.0 - 机械化:0.3.5 - 请求:2.18.4 - 硒:3.5.0 -lxml:4.0.0 -OS:linux debian
谢谢。
答案 0 :(得分:0)
您要查找的div隐藏在HTML注释中,可能通过Javascript处理。您仍然可以使用requests
首先提取隐藏的HTML,如下所示:
from bs4 import BeautifulSoup, Comment
import requests
id = "pagelet_forsale_island"
r = requests.get("https://www.facebook.com/groups/1584160618524185/")
soup = BeautifulSoup(r.content, "html.parser")
for comment in soup.find_all(string=lambda text:isinstance(text, Comment)):
if id in comment:
hidden_soup = BeautifulSoup(comment, "html.parser")
for div in hidden_soup.find_all('div', id=id):
print div
这会让BeautifulSoup找到HTML中的所有评论,然后确定是否有任何评论包含您的id
。如果找到匹配项,则注释本身将再次传递给BeautifulSoup以进行进一步处理。这会将您的<div>
显示为:
<div data-referrer="pagelet_forsale_island" id="pagelet_forsale_island"></div>