如何通过 beautifulsoup 从具有刷新提要的网站提取完整的 html 代码？

Question

我想用来自 9gag 提要（以及后来的其他图像板）的帖子构建一个语料库。为此，我尝试提取源 html 代码。不幸的是，当我想从 html 代码中的提要中找到文章时，这些文章似乎没有与 html 代码一起提取。总是使用 .find() returns -None- 当我在提要中搜索内容时。

此时我使用了 lxml、html.parser 和 html5lib：

soup = BeautifulSoup(source, 'html5lib')

我搜索了各种关键字，这些关键字出现在我的浏览器显示给我的代码中，此时：

entry = soup.find('div')

比较浏览器检查器中的代码和 soup 变量中的代码，我得到了不同的结果。检查员找到 soup 变量找不到的关键字。

我尝试将 requests.get 函数的输出从 .text 更改为 .content，但仍然没有出现所需的代码

##get source text of 9gag
source = requests.get('https://9gag.com').text

##make source a soup-type
soup = BeautifulSoup(source, 'html5lib')

##clip out the needed code of html for entrys
entry = soup.find('div id')

我如何分别获得 9gag 提要的完整代码和构成单独帖子的代码？

还有什么地方可能出了问题？

Answer 1

看来数据是作为 JSON 接收的，因此最好只使用 requests 和 JSON 库来完成此任务。所以你的代码应该是这样的：

import requests
import json

url = "https://9gag.com"
headers = {"User-Agent": "Mozilla/5.0 (Macintosh; Intel Mac OS X 10.14; rv:66.0) Gecko/20100101 Firefox/66.0"}
req = requests.get(url, headers=headers).text

json_raw = req[req.index("{\"page\":"):req.index("}})")+2]

posts = json.loads(json_raw)["data"]['posts']

希望对您有所帮助

如何通过 beautifulsoup 从具有刷新提要的网站提取完整的 html 代码？

How do I extract a full html-code via beautifulsoup from a website with a refreshing feed?

python

python-3.x

web-scraping

beautifulsoup

feed