Python - 使用 BeautifulSoup 进行问题抓取

Question

我正在尝试使用 Beautiful Soup 4 和 URLLIB 作为个人项目来抓取 Stack Overflow 工作页面。我正面临一个问题，我试图抓取每页上列出的 50 个工作的所有链接。我正在使用正则表达式来识别这些链接。即使我正确引用了标签，我也面临这两个具体问题：

1. 我的输出不是 50 个链接在源代码中清晰可见，而是每次只得到 25 个结果（在考虑删除初始不相关链接之后）

2. 源代码中链接的排序方式与我的输出不同。

这是我的代码。对此的任何帮助将不胜感激：

import bs4
import urllib.request
import re


#Obtaining source code to parse

sauce = urllib.request.urlopen('https://stackoverflow.com/jobs?med=site-ui&ref=jobs-tab&sort=p&pg=0').read()

soup = bs4.BeautifulSoup(sauce, 'html.parser')

snippet = soup.find_all("script",type="application/ld+json")
strsnippet = str(snippet)

print(strsnippet)

joburls = re.findall('https://(?:[a-zA-Z]|[0-9]|[$-_@.&+]|[!*\(\),]|(?:%[0-9a-fA-F][0-9a-fA-F]))+', strsnippet)

print("Urls: ",joburls)
print(len(joburls))

Answer 1

免责声明：我为这个答案的一部分做了一些自己的asking。

from bs4 import BeautifulSoup
import requests
import json

# note: link is slightly different; yours just redirects here
link = 'https://stackoverflow.com/jobs?med=site-ui&ref=jobs-tab&sort=p'
r = requests.get(link)
soup = BeautifulSoup(r.text, 'html.parser')

s = soup.find('script', type='application/ld+json')
urls = [el['url'] for el in json.loads(s.text)['itemListElement']]

print(len(urls))
50

流程：

1. 使用soup.find 而不是soup.find_all。这将给出一个 JSON bs4.element.Tag
2. json.loads(s.text) 是一个嵌套字典。访问 itemListElement 键的值以获取 url 的字典，并转换为列表。