如何使用 Python 和 Beautiful Soup 从框架中抓取信息答案

【问题标题】：How do I scrape information from a frame using Python and Beautiful Soup如何使用 Python 和 Beautiful Soup 从框架中抓取信息
【发布时间】：2014-01-10 14:51:28
【问题描述】：

这是我第一次尝试网络抓取。我正在尝试使用 Beautiful Soup 从 Raymond James 的网站上抓取电话号码。一个例子是http://www.raymondjames.com/office_locator_display.asp?addressline=90210

每当我使用 BeautifulSoup 时，我都无法在 HTML 中找到合适的信息。

import urllib2
from bs4 import BeautifulSoup

url='http://www.raymondjames.com/office_locator_display.asp?addressline=90210'

opener = urllib2.build_opener()
opener.addheaders = [('User-agent', 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_8_3)        AppleWebKit/537.36 (KHTML, like Gecko) Chrome/27.0.1453.93 Safari/537.36')]
page_to_scrape=opener.open(url).read()
soup=BeautifulSoup(page_to_scrape.decode('utf-8','ignore'))

产生的输出不包含我需要的信息。我提供的 URL 似乎没有指向位置框架。

我不使用 Python 来处理网络数据的大量工作，所以我不知道如何将 Beautiful Soup 引导到“框架”中以获取联系信息。

【问题讨论】：

我相信额外的 javascript 代码会在浏览器加载页面后加载地址列表。您必须使用浏览器开发工具分析页面。寻找可能包含地址的额外网络请求，并模拟那些。

标签： python beautifulsoup screen-scraping

【解决方案1】：

正如 Martijn 所说，挖掘网络请求，源数据就在那里。在这种情况下，它是对 iframe 中发出的 GET 请求的 xml 响应。有了这个网址，解决方案就很简单了：

import urllib2
from bs4 import BeautifulSoup
soup = BeautifulSoup(urllib2.urlopen('http://hosted.where2getit.com/raymondjames/ajax?&xml_request=%3Crequest%3E%3Cappkey%3E7BD67064-FC36-11E0-B80D-3AEEDDB2B31E%3C%2Fappkey%3E%3Cformdata+id%3D%22locatorsearch%22%3E%3Cdataview%3Estore_default%3C%2Fdataview%3E%3Climit%3E30%3C%2Flimit%3E%3Cgeolocs%3E%3Cgeoloc%3E%3Caddressline%3E90210%3C%2Faddressline%3E%3Clongitude%3E%3C%2Flongitude%3E%3Clatitude%3E%3C%2Flatitude%3E%3Ccountry%3E%3C%2Fcountry%3E%3C%2Fgeoloc%3E%3C%2Fgeolocs%3E%3Csearchradius%3E25%7C50%7C100%3C%2Fsearchradius%3E%3C%2Fformdata%3E%3C%2Frequest%3E'), 'lxml')
# parse the points of interest into a list
pois = soup.find_all('poi')
# now have your way with them!

【讨论】：

Mattex，感谢您的帮助。我部分理解了逻辑并且能够使用 Chrome 的开发者工具找到该 url。有没有办法使用 Python 来自动化发现 url 的过程？我猜这个过程类似于获取对 get 请求的 xml 响应，然后遍历 url 以找到具有相关信息的那些，然后实际抓取信息。
我不知道如何使用 Python 来发现 URL。由于它是在 Javascript 中加载的，因此可以使用无头浏览器，例如 Selenium 或 PhantomJS。
只是一点点更新。使用 PhantomJS，我通过捕获网络请求和响应并以 JSON 格式显示它们取得了不错的进展。相关链接始终为 ID：60。现在只需将其与 BeautifulSoup 结合，然后制作一个小脚本，遍历我感兴趣的邮政编码。感谢您的指导。