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