Question

我正在尝试从HTML中提取许多页面的数据（数字）。每个页面的数据都不同。当我尝试使用soup.select（'span [class =“ pull-right”]'）时，它应该给我数字，但是只有标签出现。我相信这是因为网页中使用了Javascript。 180,476是我要在许多页面上使用的特定HTML处的数据位置：

<div class="legend-block--body">
        <div class="linear-legend--counts">
          Pageviews:
          <span class="pull-right">
            180,476
          </span>
        </div>
        <div class="linear-legend--counts">
          Daily average:
          <span class="pull-right">
            8,594
          </span>
        </div></div>

我的代码（这在很多页面中都是循环的）：

res = requests.get(wiki_page, timeout =None)
soup = bs4.BeautifulSoup(res.text, 'html.parser')
ab=soup.select('span[class="pull-right"]')
print(ab)

输出：

[<span class="pull-right">\n<label class="logarithmic-scale">\n<input 
class="logarithmic-scale-option" type="checkbox"/>\n        Logarithmic scale      
</label>\n</span>, <span class="pull-right">\n<label class="begin-at- 
zero">\n<input class="begin-at-zero-option" type="checkbox"/>\n        Begin at 
zero      </label>\n</span>, <span class="pull-right">\n<label class="show- 
labels">\n<input class="show-labels-option" type="checkbox"/>\n        Show 
values      </label>\n</span>]

示例网址：https://tools.wmflabs.org/pageviews/?project=en.wikipedia.org&platform=all-access&agent=user&range=latest-20&pages=Star_Wars:_The_Last_Jedi

我想要综合浏览量

Answer 1

如果您检索带有requests.get的页面，则JavaScript代码将不会执行。因此，应改为使用硒。在浏览器中打开页面时，它将模仿用户喜欢的行为，因此将执行js代码。

要从硒开始，您需要安装pip install selenium。然后使用以下代码检索您的商品：

from selenium import webdriver

browser = webdriver.Firefox()
# List of the page url and selector of element to retrieve.
wiki_pages = [("https://tools.wmflabs.org/pageviews/?project=en.wikipedia.org&platform=all-access&agent=user&range=latest-20&pages=Star_Wars:_The_Last_Jedi",
               ".summary-column--container .legend-block--pageviews .linear-legend--counts:first-child span.pull-right"),]
for wiki_page in wiki_pages:
    url = wiki_page[0]
    selector = wiki_page[1]
    browser.get(wiki_page)
    page_views_count = browser.find_element_by_css_selector(selector)
    print page_views_count.text
browser.quit()

注意：如果您需要运行无头浏览器，请考虑使用PyVirtualDisplay（Xvfb的包装器）运行无头WebDriver测试，请参阅'How do I run Selenium in Xvfb?以获得更多信息。

Answer 2

您应该尝试使用python插件selenium。它要求您为正在使用的任何浏览器下载驱动程序。然后，您将能够使用硒从html中提取值

from selenium import webdriver
from selenium.webdriver.common.keys import Keys

driver = webdriver.Firefox()
driver.get("https://tools.wmflabs.org/pageviews/?project=en.wikipedia.org&platform=all-access&agent=user&range=latest-20&pages=Star_Wars:_The_Last_Jedi")
element = driver.find_element_by_class_name("pull-right")
// or the following below 
//element = driver.find_element_by_name("q")
//element = driver.find_element_by_id("html ID name")
//element = driver.find_element_by_name("html element name")
//element = driver.find_element_by_xpath("//input[@id='passwd-id']")
print(element)
driver.close()

使用Python，BeautifulSoup进行动态数据Web抓取

2 个答案: