Question

我有以下HTML，该怎么做才能从变量中提取JSON：window.__INITIAL_STATE__

<!DOCTYPE doctype html>

<html lang="en">
<script>
                  window.sessConf = "-2912474957111138742";
                  /* <sl:translate_json> */
                  window.__INITIAL_STATE__ = { /* Target JSON here with 12 million characters */};
                  /* </sl:translate_json> */
                </script>
</html>

Answer 1

您可以使用以下Python代码提取JavaScript代码。

soup = BeautifulSoup(html)
s=soup.find('script')
js = 'window = {};\n'+s.text.strip()+';\nprocess.stdout.write(JSON.stringify(window.__INITIAL_STATE__));'
with open('temp.js','w') as f:
    f.write(js)

JS代码将被写入文件“ temp.js”。然后，您可以调用node执行JS文件。

from subprocess import check_output
window_init_state = check_output(['node','temp.js'])

python变量window_init_state包含JS对象window.__INITIAL_STATE__的JSON字符串，您可以在Python中使用JSONDecoder对其进行解析。

示例

from subprocess import check_output
import json, bs4
html='''<!DOCTYPE doctype html>

<html lang="en">
<script> window.sessConf = "-2912474957111138742";
                  /* <sl:translate_json> */
                  window.__INITIAL_STATE__ = { 'Hello':'World'};
                  /* </sl:translate_json> */
                </script>
</html>'''
soup = bs4.BeautifulSoup(html)
with open('temp.js','w') as f:
    f.write('window = {};\n'+
            soup.find('script').text.strip()+
            ';\nprocess.stdout.write(JSON.stringify(window.__INITIAL_STATE__));')
window_init_state = check_output(['node','temp.js'])
print(json.loads(window_init_state))

输出：

{'Hello': 'World'}

Answer 2

gdlmx的代码正确且非常有帮助。

from subprocess import check_output
soup = BeautifulSoup(html)
s=soup.find('script')
js = 'window = {};\n'+s.text.strip()+';\nprocess.stdout.write(JSON.stringify(window.__INITIAL_STATE__));'
window_init_state = check_output(['node','temp.js'])

type（window_init_state）将为。因此，您应该使用以下代码。

jsonData= window_init_state.decode("utf-8")

使用Python中的BeautifulSoup从HTML脚本标签中提取JSON

2 个答案:

示例