用 Python 解析 Javascript

Question

在我的一个脚本中，我使用 urllib2 和 BeautifulSoup 来解析 HTML 页面并读取 <script> 标记。

这就是我得到的：

<script>
var x_data = {
    logged: logged,
    lengthcarrousel: 2,
    products : [
        {
            "serial" : "106541823"
            ...
</script>

我的目标是读取 x_data 变量中的 JSON，但我不知道如何正确执行。 我想：

• 转换为字符串并将第一个字符删除到 { 和最后一个相同的 }
• 将正则表达式与“{.*}”之类的内容一起使用并获取第一组
• 还有别的吗？

我不知道这些是否有效，是否还有其他方法可以很好地做到这一点。

您认为一种方法比另一种方法更可取吗？任何我可能不知道的方法？

提前感谢您的任何建议。

编辑：

根据建议，我得到了 Regexp 解决方案，但尽管使用了 re.MULTILINE ，但我无法在多行中搜索：

string1 = '<script>
var x_data = {
    logged: logged,
    lengthcarrousel: 2,
    products : [
        {
                "serial" : "106541823"}
]
}; 
</script>'


p = re.compile(r'\{.*\};',re.MULTILINE);
m = p.search(string1)
if m:
    print m.group(0)
else:
    print "Error !"

我总是收到“错误！”。

EDIT2：

适用于re.DOTALL。

Answer 1

我认为这些方法在优雅和性能方面基本相同（使用{.*} 可能会稍微好一点，因为.* 是贪婪的，即几乎不会有回溯，因为在我看来它更“宽容” " 用于不同的 JS 代码格式细微差别）。你可能更感兴趣的是这个：https://docs.python.org/3.6/library/json.html。

Answer 2

如果它总是看起来完全像这样，那么您可以根据看起来完全像这样来破解您提出的解决方案。

因为程序员在代码中做所有事情，我怀疑在实践中它不会总是看起来完全一样，然后任何 hacky 解决方案都会很脆弱，并且会在意想不到的时候失败（读作“不可能不方便”）。 （众所周知，在解析代码时，正则表达式很笨拙）。

如果您想正确执行此操作，您将需要获取一个真正的 JavaScript 解析器，将其应用于由脚本标记内容定义的代码片段，以生成 AST，然后在 AST 中搜索发生在的 JavaScript 嵌套结构看起来像 JSON，并获取该树的内容，漂亮打印。

面对使用 JavaScript 赋值语句组装 JSON 片段的程序员，即使这样也很脆弱。您可以通过计算数据流并发现恰好组装 JSON 代码的代码集来处理此问题。这是相当多的工作。

所以你可以决定你的解决方案的限制是什么，然后在你无法控制的人随意做某事时接受后果。