Question

我正在使用BS4从足球统计信息页面提取信息。这是我的开始方式：

from bs4 import BeautifulSoup as bs
import requests

res = requests.get(url)
soup = bs(res.content, 'lxml')
scripts = soup.find_all('script')
scripts = [script for script in scripts]

这将成功返回所有脚本元素作为列表。

我需要提取特定的脚本元素

具体来说，开始如下：

 <script>
    var teamsData = JSON.parse('\x7B\x2271\x22\x3A\x7B\x22id\x22\x3A\x2271\x22,\x22title\x22\x3A\x22Aston\x20Villa\x22,\x22history\x22\x3A\x5B\x5D\x7D,\x2272\x22\x3A\x7B\x22id\x22\x3A\x2272\x22...
</script>

我尝试了以下代码的各种迭代，但是输出始终显示为空白：

for script in scripts: 
    if 'teamsData' in script.text: 
        print(script)

我总是可以只使用'print（scripts [2]）'，但是我想知道为什么我最初的努力失败了。

谢谢！

Answer 1

显然，.text始终是脚本标记的空字符串。但是，您可以从.children

获取标签的内容

from bs4 import BeautifulSoup
from io import StringIO

html = """
<script>
let a = "Hello";
</script>
"""
b = StringIO(html)
soup = BeautifulSoup(b, 'lxml')

for e in soup.find_all('script'):
    print(repr(e.text))
    print(repr(''.join(e.children)))

Answer 2

您可以使用.string来访问<script>字符串：

import re
import json
from bs4 import BeautifulSoup


html_doc = '''<script>
    var teamsData = JSON.parse('\x7B\x2271\x22\x3A\x7B\x22id\x22\x3A\x2271\x22,\x22title\x22\x3A\x22Aston\x20Villa\x22,\x22history\x22\x3A\x5B\x5D\x7D,\x2272\x22\x3A\x7B\x22id\x22\x3A\x2272\x22\x7D\x7D');
</script>'''

soup = BeautifulSoup(html_doc, 'html.parser')

script_string = soup.find('script').string
print(script_string)

打印：

var teamsData = JSON.parse('{"71":{"id":"71","title":"Aston Villa","history":[]},"72":{"id":"72"}}');

要解析JSON数据，可以使用re / json模块。例如：

data = re.search(r"JSON\.parse\('(.*?)'\);", script_string).group(1)
data = json.loads(data)

for k, v in data.items():
    print(k, v)

打印：

71 {'id': '71', 'title': 'Aston Villa', 'history': []}
72 {'id': '72'}

如何使用Beautiful Soup从HTML提取特定的脚本元素

2 个答案: