V2EX = way to explore
V2EX 是一个关于分享和探索的地方
现在注册
已注册用户请  登录
推荐学习书目
Learn Python the Hard Way
Python Sites
PyPI - Python Package Index
http://diveintopython.org/toc/index.html
Pocoo
值得关注的项目
PyPy
Celery
Jinja2
Read the Docs
gevent
pyenv
virtualenv
Stackless Python
Beautiful Soup
结巴中文分词
Green Unicorn
Sentry
Shovel
Pyflakes
pytest
Python 编程
pep8 Checker
Styles
PEP 8
Google Python Style Guide
Code Style from The Hitchhiker's Guide
honmaple
V2EX  ›  Python

BeautifulSoup 为什不能抓取豆瓣简介

  •  
  •   honmaple · 2015-10-21 19:08:33 +08:00 · 2747 次点击
    这是一个创建于 3327 天前的主题,其中的信息可能已经有所发展或是发生改变。
    最近在学 python 爬虫,利用 beautifulsoup 爬学校图书馆书籍信息,但发现豆瓣简介信息无法抓取,求助大神
    下面是主要代码:
    url = 'http://202.119.112.133:8080/opac/item.php?marc_no=0000365400'
    user_agent = 'Mozilla/4.0 (compatible; MSIE 5.5; Windows NT)'
    headers = { 'User-Agent' : user_agent }
    request = urllib.request.Request(url, headers=headers)
    response = urllib.request.urlopen(url)
    content = response.read().decode('utf-8')
    book = str(content)
    book_soup = BeautifulSoup(book,"lxml")
    book_intro = book_soup.find_all('dl',{'class':'booklist'})
    for item in book_intro:
    print(item.get_text('',strip=True))
    12 条回复    2015-10-22 10:32:08 +08:00
    ynztyl10
        1
    ynztyl10  
       2015-10-21 19:16:48 +08:00
    你需要把 xhr 的链接也爬到,比如:
    http://202.119.112.133:8080/opac/ajax_douban.php?isbn=9787200069761
    wuhuaji
        2
    wuhuaji  
       2015-10-21 19:24:26 +08:00
    因为这个豆瓣信息是异步加载的,并不存在你原先的页面中,你查看网页源代码就能看到了,并没有这部分信息。然后你重新打开,看 http 链接,会发现打开网页之后,请求了 http://202.119.112.133:8080/opac/ajax_douban.php?isbn=9787200069761 链接,此时豆瓣的东西才加进来。
    wuhuaji
        3
    wuhuaji  
       2015-10-21 19:25:09 +08:00
    我记得前两天 v2 上有人问查不到京东的物品价格,和你这个一样,都是异步加载的。
    honmaple
        4
    honmaple  
    OP
       2015-10-21 19:34:05 +08:00
    @ynztyl10 原来是 json,请教如何才能高效地爬到 http://202.119.112.133:8080/opac/ajax_douban.php?isbn=9787200069761 这样的链接,是使用 json 模块解析吗
    honmaple
        5
    honmaple  
    OP
       2015-10-21 19:37:53 +08:00
    @wuhuaji 多谢,怪不得查找 p 节点时只能得到一个<p></p>,请教如何才能爬取到具体链接并显示内容
    Slienc7
        6
    Slienc7  
       2015-10-21 19:49:49 +08:00 via Android
    F12->网络
    建议找个简短 JS 教程先看一下
    honmaple
        7
    honmaple  
    OP
       2015-10-21 20:29:36 +08:00
    找到解决方法了,使用 Selenium 和 Phantomjs 很容易的抓取到豆瓣简介
    Victor215
        8
    Victor215  
       2015-10-21 20:31:50 +08:00 via Android
    你先抓包看看 能不能拿到 api,用浏览器模拟很慢,也容易出问题
    honmaple
        9
    honmaple  
    OP
       2015-10-21 20:45:53 +08:00
    @Victor215 我刚刚也发现了,使用 Phantomjs 解析大概 10 次中会有一次无法得到想要的内容,我还以为是网络的问题
    cszhiyue
        10
    cszhiyue  
       2015-10-21 20:58:54 +08:00


    模拟一下发包
    Victor215
        11
    Victor215  
       2015-10-21 21:59:36 +08:00
    @honmaple 而且用 phantomjs 还要注意各种设置,比如说不要载入图片,而且适时的拿到 html 源码就行了,不需要一直浏览器模拟,太慢了。。
    joshz
        12
    joshz  
       2015-10-22 10:32:08 +08:00 via Android
    bs 是拿来解析网页的吧,莫名背锅
    关于   ·   帮助文档   ·   博客   ·   API   ·   FAQ   ·   实用小工具   ·   2898 人在线   最高记录 6679   ·     Select Language
    创意工作者们的社区
    World is powered by solitude
    VERSION: 3.9.8.5 · 25ms · UTC 03:40 · PVG 11:40 · LAX 19:40 · JFK 22:40
    Developed with CodeLauncher
    ♥ Do have faith in what you're doing.