尝试使用 Python-3.7 抓取 html 的特定部分，但它返回“无”

Question

我是一个初学者，正在编写一些简单的 Python 代码来从网页中抓取数据。我已经找到了要抓取的 html 的确切部分，但它一直返回“无”。它适用于网页的其他部分，但不适用于这一特定部分

我正在使用 BeautifulSoup 来解析 html，因为我可以抓取一些代码，所以我假设我不需要使用 Selenium。但我仍然找不到如何抓取特定部分。

这是我编写的 Python 代码：

import requests

from bs4 import BeautifulSoup


url = 'https://www.rent.com/new-york/tuckahoe-apartments?page=2'

response = requests.get(url)

html_soup = BeautifulSoup(response.text, 'html.parser')

apt_listings = html_soup.find_all('div', class_='_3RRl_')
print(type(apt_listings))
print(len(apt_listings))

first_apt = apt_listings[0]

first_apt.a

first_add = first_apt.a.text

print(first_add)


apt_rents = html_soup.find_all('div', class_='_3e12V')
print(type(apt_rents))
print(len(apt_rents))

first_rent = apt_rents[0]

print(first_rent)

first_rent = first_rent.find('class', attrs={'data-tid' : 'price'})

print(first_rent)

这是 CMD 的输出：

<class 'bs4.element.ResultSet'>
30
address not disclosed
<class 'bs4.element.ResultSet'>
30
<div class="_3e12V" data-tid="price">$2,350</div>
None

“地址未公开”是正确的，已成功抓取。 我想刮掉 2,350 美元，但它一直返回“无”。 我想我已经接近正确，但我似乎无法获得 2,350 美元。非常感谢任何帮助。

Answer 1

你需要像这样使用 BeautifulSoup 的 .text 属性而不是 .find() ：

first_rent = first_rent.text

就这么简单。

Answer 2

您可以从脚本标签中提取所有列表并解析为 json。正则表达式查找以window.__APPLICATION_CONTEXT__ = 开头的脚本标记。

之后的字符串是通过正则表达式(.*) 中的组提取的。如果使用 json.loads 加载字符串，则该 javascript 对象可以解析为 json。

你可以探索json对象here

import requests
import json
from bs4 import BeautifulSoup as bs
import re
base_url = 'https://www.rent.com/'
res = requests.get('https://www.rent.com/new-york/tuckahoe-apartments?page=2')
soup = bs(res.content, 'lxml')
r = re.compile(r'window.__APPLICATION_CONTEXT__ = (.*)')
data = soup.find('script', text=r).text
script = r.findall(data)[0]
items = json.loads(script)['store']['listings']['listings']
results = []

for item in items:   
    address = item['address']
    area = ', '.join([item['city'], item['state'], item['zipCode']])
    low_price = item['aggregates']['prices']['low']
    high_price = item['aggregates']['prices']['high']
    listingId = item['listingId']
    url = base_url + item['listingSeoPath']
    # all_info = item
    record = {'address' : address,
              'area' : area,
              'low_price' : low_price,
              'high_price' : high_price,
              'listingId' : listingId,
              'url' : url}
    results.append(record)
df = pd.DataFrame(results, columns = [ 'address', 'area', 'low_price', 'high_price', 'listingId', 'url'])
print(df)

---

结果示例：

---

带类的短版：

import requests
from bs4 import BeautifulSoup
url = 'https://www.rent.com/new-york/tuckahoe-apartments?page=2'
response = requests.get(url)

soup = BeautifulSoup(response.text, 'html.parser')
print(soup.select_one('._3e12V').text)

---

所有价格：

import requests
from bs4 import BeautifulSoup
url = 'https://www.rent.com/new-york/tuckahoe-apartments?page=2'
response = requests.get(url)

html_soup = BeautifulSoup(response.text, 'html.parser')
print([item.text for item in html_soup.select('._3e12V')])