我目前的任务是搜集热门笑话网站。一个例子是一个名为jokes.cc.com的网站。如果您访问该网站,将光标悬停在页面左侧的“获取随机笑话”按钮上方,您会注意到它重定向到的链接将是jokes.cc.com/#
。在
如果你等一段时间,它会变为网站内显示真正笑话的适当链接。它变为jokes.cc.com/*legit joke link*
。在
如果您分析页面的HTML,您会注意到有一个链接(<a>
),它的class=random_link
的<href>
存储了页面想要重定向给您的随机笑话的链接。您可以在页面完全加载后检查。基本上,“#”被合法链接取代。在
现在,这里是我的代码,用于删除HTML,就像我在静态网站上所做的那样。{cd6>已使用^库:
import urllib
from bs4 import BeautifulSoup
urlToRead = "http://jokes.cc.com";
handle = urllib.urlopen(urlToRead)
htmlGunk = handle.read()
soup = BeautifulSoup(htmlGunk, "html.parser")
# Find out the exact position of the joke in the page
print soup.findAll('a', {'class':'random_link'})[0]
Output: #
这是预期的输出,因为我意识到页面还没有完全呈现。在
在等待一段时间后,或者在呈现完成之后,我如何刮取页面。我是否需要使用外部库,如Mechanize?我不知道该怎么做,所以任何帮助/指导我都很感激
编辑:我终于能够通过在Python中使用PhantomJS和Selenium来解决我的问题。下面是在呈现完成后获取页面的代码。在
^{pr2}$
您需要的数据是由JavaScript在页面加载时动态运行生成的。beauthoulsoup没有JavaScript引擎,所以不管你等待多长时间,链接永远不会改变。有一些Python库可以抓取并理解JavaScript,但最好的办法可能是挖掘并找出网站上JS的实际工作方式。例如,如果他们有一个随机笑话的笑话数据源,那么它可能是Python可以非常容易地解析的JSON格式。这将使您的应用程序比包含完全成熟的脚本引擎更轻量级。在
相关问题 更多 >
编程相关推荐