Question

我有this网页。当我尝试使用requests模块获取其html时：

import requests

link = "https://www.worldmarktheclub.com/resorts/7m/"
f = requests.get(link)
print(f.text)

我得到这样的结果：

<!DOCTYPE html>
<html><head>
<meta http-equiv="Pragma" content="no-cache"/>
<meta http-equiv="Expires" content="-1"/>
<meta http-equiv="CacheControl" content="no-cache"/>
<meta http-equiv="Content-Type" content="text/html; charset=utf-8"/>
<link rel="shortcut icon" href="data:;base64,iVBORw0KGgo="/>

<script>

(function(){
    var securemsg;
    var dosl7_common;

// seemingly garbage like [Z.li]+Z._j+Z.LO+Z.SJ+"(/.{"+Z.i+","+Z.Ii+"}

</script>

<script type="text/javascript" src="/TSPD/08e841a5c5ab20007f02433a700e2faba779c2e847ad5d441605ef3d4bbde75cd229bcdb30078f66?type=9"></script>
<noscript>Please enable JavaScript to view the page content.</noscript>
</head><body>
</body></html>

仅显示部分结果。但是，当我在浏览器中检查网页时，可以看到正确的html。我猜可能页面的编码有问题，但无法弄清楚。使用urllib.request + read()会得到相同的错误结果。我该如何纠正。预先感谢。

正如@DeepSpace所建议的那样，脚本中的垃圾问题是由于JS代码的精简所致。但是为什么我不能正确获取html？

Answer 1

您认为“垃圾”是用<script>标签而不是外部JS文件编写的模糊/缩小的JS代码。

如果您查看f.text的底部，则会看到<noscript>Please enable JavaScript to view the page content.</noscript>。

requests不是浏览器，因此它无法执行此页面正在使用的JS代码，并且服务器将不允许不支持JS的用户代理访问它。将User-Agent标头设置为Chrome浏览器（Chrome/60.0.3112.90）仍然无效。

您将不得不使用其他允许JS执行的工具，例如硒。

Answer 2

HTML代码是由您看到的Javascript代码即时生成的。不幸的是，正如@DeepSpace所说，请求无法执行Javascript。

作为替代方案，我建议使用硒。这是一个模拟浏览器并执行Javascript的库。

似乎带有请求的“垃圾”结果

2 个答案: