在Python中获取脚本标记内的变量数据或从js中添加的内容

Question

我想从另一个url获取数据，我使用的是urllib和Beautiful Soup，我的数据在table标记中（我已经用Firefox控制台找到了）。但是当我试图使用他的id获取表时，结果是None，那么我想这个表必须通过一些js代码动态添加。

我已经尝试了所有这两个解析器，但仍然无法获取表数据。

我还试过一件事：

web = urllib.urlopen("my url")
html = web.read()
soup = BeautifulSoup(html, 'lxml')
js  = soup.find("script")
ss = js.prettify()
print ss

结果：

<script type="text/javascript">
 myPage = 'ETFs';
        sectionId = 'liQuotes'; //section tab
        breadCrumbId = 'qQuotes'; //page
        is_dartSite = "quotes";
        is_dartZone = "news";
        propVar = "ETFs";
</script>

但现在我不知道如何获取这些js变量的数据。

现在我有两个选项，要么获取表内容，要么获取js变量，其中任何一个都可以完成我的任务，但不幸的是，我不知道如何获取这些变量，所以请告诉我如何才能解决任何一个问题。

谢谢

Answer 1

编辑

这将使用re模块来提取数据并将其作为JSON加载：

import urllib
import json
import re
from bs4 import BeautifulSoup

web = urllib.urlopen("http://www.nasdaq.com/quotes/nasdaq-financial-100-stocks.aspx")
soup = BeautifulSoup(web.read(), 'lxml')
data  = soup.find_all("script")[19].string
p = re.compile('var table_body = (.*?);')
m = p.match(data)
stocks = json.loads(m.groups()[0])

>>> for stock in stocks:
...     print stock
... 
[u'ASPS', u'Altisource Portfolio Solutions S.A.', 116.96, 2.2, 1.92, 86635, u'N', u'N']
[u'AGNC', u'American Capital Agency Corp.', 23.76, 0.13, 0.55, 3184303, u'N', u'N']
.
.
.
[u'ZION', u'Zions Bancorporation', 29.79, 0.46, 1.57, 2154017, u'N', u'N']

问题是脚本标记偏移量是硬编码的，并且没有可靠的方法在页面中定位它。对页面的更改可能会破坏您的代码。

原始答案

您可以从http://www.nasdaq.com/quotes/nasdaq-100-stocks.aspx?render=download下载同一数据的CSV表示，而不是尝试对数据进行屏幕擦写。

然后使用Pythoncsv模块来解析和处理它。这不仅更方便，而且将是一个更具弹性的解决方案，因为对HTML的任何更改都可能很容易破坏您的屏幕抓取代码。

否则，如果查看实际的HTML，您将发现数据在以下脚本标记中的页面中可用：

<script type="text/javascript">var table_body = [["ATVI", "Activision Blizzard, Inc", 20.92, 0.21, 1.01, 6182877,  .1, "N", "N"],
["ADBE", "Adobe Systems Incorporated", 66.91, 1.44, 2.2, 3629837,  .6, "N", "N"],
["AKAM", "Akamai Technologies, Inc.", 57.47, 1.57, 2.81, 2697834,  .3, "N", "N"],
["ALXN", "Alexion Pharmaceuticals, Inc.", 170.2, 0.7, 0.41, 659817,  .1, "N", "N"],
["ALTR", "Altera Corporation", 33.82, -0.06, -0.18, 1928706,  .0, "N", "N"],
["AMZN", "Amazon.com, Inc.", 329.67, 6.1, 1.89, 5246300,  2.5, "N", "N"],
....
["YHOO", "Yahoo! Inc.", 35.92, 0.98, 2.8, 18705720,  .9, "N", "N"]];

Answer 2

只需添加到@mhawke的答案中，而不是硬编码脚本标记的偏移量，您可以循环遍历所有脚本标记并匹配与您的模式匹配的脚本标记

web = urllib.urlopen("http://www.nasdaq.com/quotes/nasdaq-financial-100-stocks.aspx")
pattern = re.compile('var table_body = (.*?);')

soup = BeautifulSoup(web.read(), "lxml")
scripts = soup.find_all('script')
for script in scripts:
   if(pattern.match(str(script.string))):
       data = pattern.match(script.string)
       stock = json.loads(data.groups()[0])
       print stock