如何使用 python beautifulSoup 抓取深层嵌入的链接

Question

我正在尝试构建一个用于学术目的的 spider/web 爬虫，以从学术出版物中获取文本并将相关链接附加到 URL 堆栈。我正在尝试抓取 1 个名为 'PubMed' 的网站。我似乎无法获取我需要的链接。这是我的示例页面代码，该页面应该代表他们数据库中的其他页面：

 website = 'http://www.ncbi.nlm.nih.gov/pubmed/?term=mtap+prmt'
 from bs4 import BeautifulSoup
 import requests
 r = requests.get(website)
 soup = BeautifulSoup(r.content)

为了便于阅读，我将 html 树分解为几个变量，以便它们都适合 1 个屏幕宽度。

 key_text = soup.find('div', {'class':'grid'}).find('div',{'class':'col twelve_col nomargin shadow'}).find('form',{'id':'EntrezForm'})
 side_column = key_text.find('div', {'xmlns:xi':'http://www.w3.org/2001/XInclude'}).find('div', {'class':'supplemental col three_col last'})
 side_links = side_column.find('div').findAll('div')[1].find('div', {'id':'disc_col'}).findAll('div')[1]

 for link in side_links:
      print link

如果您使用 chrome 检查元素查看 html 源代码，应该有其他几个嵌套的 div 带有链接 'side_links'。但是上面的代码会产生以下错误：

 Traceback (most recent call last):
 File "C:/Users/ballbag/Copy/web_scraping/google_search.py", line 22, in <module>
 side_links = side_column.find('div').findAll('div')[1].find('div',      {'id':'disc_col'}).findAll('div')[1]
 IndexError: list index out of range

如果您转到 url，右侧有一个名为 'related links' 的列，其中包含我希望抓取的 url。但我似乎无法接近他们。在 div 下有一个声明说我正在尝试进入，我怀疑这与它有关。任何人都可以帮助获取这些链接吗？我真的很感激任何指点

Answer 1

问题是侧边栏加载了一个额外的异步请求。

这里的想法是：

使用 requests.Session
解析用于获取侧边栏的url
跟随 link 并从 div 和 class="portlet_content"

代码：

from urlparse import urljoin

from bs4 import BeautifulSoup
import requests


base_url = 'http://www.ncbi.nlm.nih.gov'
website = 'http://www.ncbi.nlm.nih.gov/pubmed/?term=mtap+prmt'

# parse the main page and grab the link to the side bar
session = requests.Session()
soup = BeautifulSoup(session.get(website).content)

url = urljoin(base_url, soup.select('div#disc_col a.disc_col_ph')[0]['href'])

# parsing the side bar
soup = BeautifulSoup(session.get(url).content)

for a in soup.select('div.portlet_content ul li.brieflinkpopper a'):
    print a.text, urljoin(base_url, a.get('href'))

打印：

The metabolite 5'-methylthioadenosine signals through the adenosine receptor A2B in melanoma. http://www.ncbi.nlm.nih.gov/pubmed/25087184
Down-regulation of methylthioadenosine phosphorylase (MTAP) induces progression of hepatocellular carcinoma via accumulation of 5'-deoxy-5'-methylthioadenosine (MTA). http://www.ncbi.nlm.nih.gov/pubmed/21356366
Quantitative analysis of 5'-deoxy-5'-methylthioadenosine in melanoma cells by liquid chromatography-stable isotope ratio tandem mass spectrometry. http://www.ncbi.nlm.nih.gov/pubmed/18996776
...
Cited in PMC http://www.ncbi.nlm.nih.gov/pmc/articles/pmid/23265702/citedby/?tool=pubmed

如何使用 python beautifulSoup 抓取深层嵌入的链接

how to scrape deeply embeded links with python beautifulSoup

python

html

web-scraping

beautifulsoup

html-parsing