Python web scraping - 如何在页面通过JS加载内容时获取资源？

Question

所以我尝试使用 BeautifulSoup 和 urllib 从特定网站抓取 table。我的目标是根据 table 中的所有数据创建一个列表。我尝试使用来自其他网站的 tables 使用相同的代码，并且工作正常。然而，在这个网站上尝试它时 table returns 一个 NoneType 对象。有人可以帮我弄这个吗？我试过在网上寻找其他答案，但运气不佳。

代码如下：

import requests
import urllib

from bs4 import BeautifulSoup
soup = BeautifulSoup(urllib.request.urlopen("http://www.teamrankings.com/ncaa-basketball/stat/free-throw-pct").read())

table = soup.find("table", attrs={'class':'sortable'})

data = []
rows = table.findAll("tr")
for tr in rows:
    cols = tr.findAll("td")
    for td in cols:
        text = ''.join(td.find(text=True))
        data.append(text)

print(data)

Answer 1

该网站上的 table 是通过 javascript 创建的，因此当您将源代码直接扔到 BeautifulSoup 时并不存在。

要么你需要开始使用你选择的网络检查器，找出 javascript 从哪里获取数据 - 或者你应该使用 selenium 到运行一个完整的浏览器实例。

Answer 2

看起来此数据是通过 ajax 调用加载的：

您应该将 url 作为目标：http://www.teamrankings.com/ajax/league/v3/stats_controller.php

import requests
import urllib

from bs4 import BeautifulSoup


params = {
    "type":"team-detail",
    "league":"ncb",
    "stat_id":"3083",
    "season_id":"312",
    "cat_type":"2",
    "view":"stats_v1",
    "is_previous":"0",
    "date":"04/06/2015"
}

content = urllib.request.urlopen("http://www.teamrankings.com/ajax/league/v3/stats_controller.php",data=urllib.parse.urlencode(params).encode('utf8')).read()
soup = BeautifulSoup(content)

table = soup.find("table", attrs={'class':'sortable'})

data = []
rows = table.findAll("tr")
for tr in rows:
    cols = tr.findAll("td")
    for td in cols:
        text = ''.join(td.find(text=True))
        data.append(text)

print(data)

使用网络检查器，您还可以查看随 POST 请求一起传递的参数。

通常，另一端的服务器会检查这些值，如果您没有这些值中的一部分或全部，则拒绝您的请求。上面的代码片段运行对我来说很好。我切换到 urllib2 因为我通常更喜欢使用那个库。

如果数据在您的浏览器中加载，则可以抓取它。您只需要模仿您的浏览器发送的请求。

Answer 3

由于 table 数据是动态加载的，由于网络延迟等多种原因，更新 table 数据时会出现一些延迟。因此，您可以通过延迟并读取数据来等待时间。检查 table 数据，即长度是否为空，如果是，则在延迟一段时间后读取 table 数据。这会有所帮助。

查看了您用过的url。由于您正在为 table 使用 class 选择器。确保它出现在 HTML

中的其他位置

Python web scraping - 如何在页面通过JS加载内容时获取资源？

Python web scraping - how to get resources with beautiful soup when page loads contents via JS?

python

beautifulsoup

screen-scraping

urllib