python urllib2 - 在抓取之前等待页面完成加载/重定向？

Question

我正在学习制作网络抓取工具，并想为个人项目抓取 TripAdvisor，使用 urllib2 抓取 html。 但是，我遇到了一个问题，使用下面的代码，我返回的 html 不正确，因为页面似乎需要一秒钟才能重定向（您可以通过访问 url 来验证这一点） - 相反我得到了代码从最初短暂出现的页面。

是否需要设置一些行为或参数以确保页面在获取网站内容之前已完全完成加载/重定向？

import urllib2
from bs4 import BeautifulSoup

bostonPage = urllib2.urlopen("http://www.tripadvisor.com/HACSearch?geo=34438#02,1342106684473,rad:S0,sponsors:ABEST_WESTERN,style:Szff_6")
soup = BeautifulSoup(bostonPage)
print soup.prettify()

编辑：答案是彻底的，但是，最终解决我的问题的是： https://stackoverflow.com/a/3210737/1157283

Answer 1

问题不是重定向，而是页面使用 javascript 修改内容，但 urllib2 没有 JS 引擎，它只有 GETS 数据，如果您在浏览器上禁用了 javascript，您会注意到它加载的内容与urllib2 返回的内容基本相同

import urllib2
from BeautifulSoup import BeautifulSoup

bostonPage = urllib2.urlopen("http://www.tripadvisor.com/HACSearch?geo=34438#02,1342106684473,rad:S0,sponsors:ABEST_WESTERN,style:Szff_6")
soup = BeautifulSoup(bostonPage)
open('test.html', 'w').write(soup.read())

test.html 并在浏览器中禁用 JS，在 firefox 内容中最简单 -> 取消选中启用 javascript，生成相同的结果集。

那么我们能做些什么，首先我们应该检查网站是否提供API，报废往往会皱眉头 http://www.tripadvisor.com/help/what_type_of_tripadvisor_content_is_available

Travel/Hotel API's? 看起来他们可能会，但有一些限制。

但是如果我们还需要用 JS 来抓取它，那么我们可以使用 selenium http://seleniumhq.org/ 它主要用于测试，但它很容易并且有相当好的文档。

我还发现了这个Scraping websites with Javascript enabled? 和这个http://grep.codeconsult.ch/2007/02/24/crowbar-scrape-javascript-generated-pages-via-gecko-and-rest/

希望有帮助。

附注：

>>> import urllib2
>>> from bs4 import BeautifulSoup
>>> 
>>> bostonPage = urllib2.urlopen("http://www.tripadvisor.com/HACSearch?geo=34438#02,1342106684473,rad:S0,sponsors:ABEST_WESTERN,style:Szff_6")
>>> value = bostonPage.read()
>>> soup = BeautifulSoup(value)
>>> open('test.html', 'w').write(value)