BeautifulSoup 网页抓取，用于点击按钮后获取信息的网页

Question

所以，我正在尝试获取一些餐馆的 Yelp 页面的“设施和更多”部分。问题是我可以从首先显示的餐厅的 Yelp 页面访问设施。但是，它具有“n more”按钮，单击该按钮可提供更多便利。将 BeautifulSoup 和 selenium 与网页 url 一起使用以及将 BeautifulSoup 与请求一起使用会得到完全相同的结果，我不知道如何在我的代码中获取它们之前打开整个设施。下面的两张图片显示了单击按钮之前和之后发生的情况。

1. “在点击“5 更多属性”之前：第一张图片显示了 4 个“div”，其中包含“span”，我可以使用上述任何一种方法。
2. “点击“5 更多属性”后：第二张图片显示了 9 个“div”，其中包含我想要到达的“span”。

这是使用 selenium/beautifulsoup 的代码

import selenium
from selenium import webdriver
from bs4 import BeautifulSoup

URL ='https://www.yelp.com/biz/ziggis-coffee-longmont'

driver = 
 webdriver.Chrome(r"C:\Users\Fariha\AppData\Local\Programs\chromedriver_win32\chromedriver.exe")
driver.get(URL)
yelp_page_source_page1 = driver.page_source



soup = BeautifulSoup(yelp_page_source_page1,'html.parser')
spans = soup.find_all('span')

结果：“spans”中有 990 个元素。我只显示与我的问题相关的内容：

Answer 1

另一种方法是直接从网站上的 JSON api 提取数据。这可以在没有 selenium 开销的情况下完成，如下所示：

from bs4 import BeautifulSoup
import requests
import json

session = requests.Session()
r = session.get('https://www.yelp.com/biz/ziggis-coffee-longmont')
#r = session.get('https://www.yelp.com/biz/menchies-frozen-yogurt-lafayette')

soup = BeautifulSoup(r.content, 'lxml')

# Locate the business ID to use (from JSON inside one of the script entries)
for script in soup.find_all('script', attrs={"type" : "application/json"}):
    gaConfig = json.loads(script.text.strip('<!-->'))

    try:
        biz_id = gaConfig['gaConfig']['dimensions']['www']['business_id'][1]
        break
    except KeyError:
        pass

# Build a suitable JSON request for the required information
json_post = [
    {
        "operationName": "GetBusinessAttributes",
        "variables": {
            "BizEncId": biz_id
        },
        "extensions": {
            "documentId": "35e0950cee1029aa00eef5180adb55af33a0217c64f379d778083eb4d1c805e7"
        }
    },
    {
        "operationName": "GetBizPageProperties",
        "variables": {
            "BizEncId": biz_id
        },
        "extensions": {
            "documentId": "f06d155f02e55e7aadb01d6469e34d4bad301f14b6e0eba92a31e635694ebc21"
        }
    },
]

r = session.post('https://www.yelp.com/gql/batch', json=json_post)
j = r.json()

business = j[0]['data']['business']
print(business['name'], '\n')

for property in j[1]['data']['business']['organizedProperties'][0]['properties']:
    print(f'{"Yes" if property["isActive"] else "No":5} {property["displayText"]}')

这将为您提供以下条目：

Ziggi's Coffee 

Yes   Offers Delivery
Yes   Offers Takeout
Yes   Accepts Credit Cards
Yes   Private Lot Parking
Yes   Bike Parking
Yes   Drive-Thru
No    No Outdoor Seating
No    No Wi-Fi

这是如何解决的？

您最好的朋友是您浏览器的网络开发工具。有了这个，您可以查看为获取信息而提出的请求。正常的流程是下载初始 HTML 页面，这会运行 javascript 并请求更多数据以进一步填充页面。

诀窍是首先找到您想要的数据的位置（通常以 JSON 形式返回），然后确定您需要什么来重新创建发出请求所需的参数。

要进一步了解此代码，请使用print()。打印所有内容，它将向您展示每个部分如何构建下一个部分。这就是脚本的编写方式，一次一点。

使用 Selenium 的方法允许 javascript 工作，但大多数时候不需要这样做，因为它只是发出请求并格式化数据以供显示。