我想从我使用urllib和Beautiful 的另一个url中获取数据,我的数据在表标记中(我已经用火狐控制台计算出来了)。但是,当我尝试使用他的id获取表时,结果是None,那么我猜这个表必须通过一些js代码动态添加。
我已经尝试过所有的解析器'lxml','html5lib',但是仍然无法获得表数据。
我还试了一件事:
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得这些js变量的数据。
现在我有两个选项,要么获取表内容,要么得到js变量,其中任何一个都可以完成我的任务,但不幸的是,我不知道如何获得这些内容,所以请告诉我如何解决其中的任何一个问题。
谢谢
发布于 2014-06-09 12:42:06
编辑
这将使用回复模块提取数据并以JSON的形式加载数据:
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代码。
原始答案
您可以从http://www.nasdaq.com/quotes/nasdaq-100-stocks.aspx?render=download下载相同数据的CSV表示,而不是尝试对数据进行屏幕扫描。
然后使用Python模块来解析和处理它。这不仅更方便,而且将是一个更有弹性的解决方案,因为对HTML的任何更改都很容易破坏您的屏幕抓取代码。
否则,如果查看实际的HTML,就会发现以下脚本标记中的页面中的数据是可用的:
<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"]];
发布于 2014-11-26 19:42:10
只是为了增加@mhawke的答案,而不是硬编码脚本标签的偏移量,而是循环遍历所有的脚本标记,并匹配与您的模式匹配的;
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
https://stackoverflow.com/questions/24118337
复制相似问题