問題描述

在爬取'http://www.haodf.com/doctor/DE4r08xQdKSLBVM8i9sHYQ8uQGIO.htm'這個(gè)頁面的時(shí)候, 發(fā)現(xiàn)'擅長'和'執(zhí)業(yè)經(jīng)歷'這兩個(gè)信息通過beautifulsoup是取不到的, 我選取這兩個(gè)信息的代碼如下:

soup.select(’#full_DoctorSpecialize’).get_text(strip=True)soup.select(’#full’).get_text(strip=True)

查詢頁面發(fā)現(xiàn)這兩個(gè)信息好像是通過JS查詢的結(jié)果, 除了把網(wǎng)頁全部正則表達(dá)式匹配的方法, 請教各位: 1, 這兩個(gè)信息能否直接取到? 2, 除了類似'Selenium'這樣的工具, 是否還有其他方式能夠取到這兩個(gè)信息?3, 能否通過分析查詢接口的方式解決?

謝謝

問題解答

可能這個(gè)頁面，你要抓的這個(gè)數(shù)據(jù)，是頁面加載后，使用js渲染出來的。也就是說，這個(gè)#full_DoctorSpecialize里面的數(shù)據(jù)是ajax，從服務(wù)器上拿回來的。具體要如何拿這樣的數(shù)據(jù)，你可以百度下 phantomjs ，你一定會 有收獲 的。

這2個(gè)信息可以直接獲取，只是信息包含在JS塊中BigPipe.onPageletArrive({這個(gè)里面}) , 可以通過正則表達(dá)式獲取。這個(gè)里面是一段JSON格式的字符串。匹配之后轉(zhuǎn)換為json還是很容易處理的。想要通過查詢接口獲取的話，應(yīng)該是可以的，不過得分析JS代碼，這個(gè)太麻煩，可以通過抓包工具來抓它的http請求。然后看看是那個(gè)請求返回的數(shù)據(jù)。相比較而言還是寫正則匹配比較快。

這個(gè)就像樓上說的是js渲染的，內(nèi)容在js代碼里面，可以正則匹配js代碼里面的元素，得到你想要的信息