html定义一个json对象,如何使用Python提取在HTML页面javascript块中定义的JSON对象？...

我正在下载以下列方式定义数据的HTML页面：

... ...

我想提取’window.blog.data’中定义的JSON对象.

有没有比手动解析更简单的方法？ (我正在寻找美丽的肥皂,但似乎无法找到一个方法,将返回确切的对象而不解析)

谢谢

编辑：

使用python无头浏览器(例如,Ghost.py)执行此操作是否可行且更正确？

解决方法:

BeautifulSoup是一个HTML解析器;你还需要一个javascript解析器.顺便说一句,一些javascript对象文字是无效的json(虽然在你的例子中,文字也是一个有效的json对象).

在简单的情况下,您可以：

>使用html解析器提取< script>的文本

>假设window.blog …是单行或没有’;’在对象内部并使用简单的字符串操作或正则表达式提取javascript对象文字

>假设该字符串是有效的json并使用json模块解析它

例：

#!/usr/bin/env python

html = """

extract javascript object as json

// ..

window.blog.data = {"activity":{"type":"read"}};

// ..

some other html here

"""

import json

import re

from bs4 import BeautifulSoup # $pip install beautifulsoup4

soup = BeautifulSoup(html)

script = soup.find('script', text=re.compile('window\.blog\.data'))

json_text = re.search(r'^\s*window\.blog\.data\s*=\s*({.*?})\s*;\s*$',

script.string, flags=re.DOTALL | re.MULTILINE).group(1)

data = json.loads(json_text)

assert data['activity']['type'] == 'read'

如果假设不正确则代码失败.

为了放宽第二个假设,可以使用javascript解析器而不是正则表达式,例如slimit(suggested by @approximatenumber)：

from slimit import ast # $pip install slimit

from slimit.parser import Parser as JavascriptParser

from slimit.visitors import nodevisitor

soup = BeautifulSoup(html, 'html.parser')

tree = JavascriptParser().parse(soup.script.string)

obj = next(node.right for node in nodevisitor.visit(tree)

if (isinstance(node, ast.Assign) and

node.left.to_ecma() == 'window.blog.data'))

# HACK: easy way to parse the javascript object literal

data = json.loads(obj.to_ecma()) # NOTE: json format may be slightly different

assert data['activity']['type'] == 'read'

不需要将对象文字(obj)视为json对象.为了获得必要的信息,可以像其他ast节点一样递归地访问obj.它将允许支持任意javascript代码(可以通过slimit解析).

标签：python,beautifulsoup,html-parsing,headless-browser

来源： https://codeday.me/bug/20190926/1822042.html