如何高效抓取动态加载的网页内容：以BeautifulSoup与XHR请求为例

本教程旨在解决使用beautifulsoup抓取网页时，因内容动态加载而导致目标标签为空的问题。文章将深入探讨传统静态抓取工具的局限性，指导读者利用浏览器开发者工具识别并直接请求隐藏在xhr（xmlhttprequest）中的真实数据源，并通过python的`requests`库处理json响应，从而实现对动态内容的精准抓取。

理解动态内容抓取的挑战

在使用Python进行网页抓取时，BeautifulSoup库因其强大的HTML/XML解析能力而广受欢迎。然而，当目标网页的内容是通过JavaScript动态加载时，仅依赖requests.get()获取的初始HTML文档往往无法包含所有期望的数据。此时，BeautifulSoup解析到的特定标签（例如一个带有id的zuojiankuohaophpcnul>标签）可能会显示为空，即使在浏览器中查看时该标签下有丰富的内容。这是因为requests.get()只获取了服务器返回的原始静态HTML，而JavaScript在页面加载后才执行并填充了这些内容。

例如，尝试从一个动态加载内容的页面抓取id="demoFour"的<ul>标签，可能会得到一个空的<ul>标签：

import requests
from bs4 import BeautifulSoup

url = "https://www.parliament.lk/en/members-of-parliament/directory-of-members/?cletter=A"
response = requests.get(url)
soup = BeautifulSoup(response.text, 'html.parser')

# 尝试查找id为demoFour的ul标签
ul_tag = soup.find('ul', id='demoFour')
print(ul_tag)
# 预期输出可能是：<ul id="demoFour"></ul>
# 实际上，在浏览器中这个ul标签下有li列表项

识别动态数据源：XHR请求

要解决这个问题，关键在于识别并直接访问那些负责动态加载数据的幕后请求。这些请求通常是XHR（XMLHttpRequest）或Fetch API请求，它们在后台与服务器通信，获取JSON或XML格式的数据，然后由JavaScript渲染到页面上。

使用浏览器开发者工具

1. 打开目标网页： 在Chrome、Firefox等浏览器中打开目标网页。
2. 打开开发者工具： 按F12键或右键点击页面选择“检查”。
3. 切换到“网络” (Network) 选项卡： 这个选项卡会显示浏览器加载页面时发出的所有请求。
4. 过滤XHR/Fetch请求： 在“网络”选项卡中，通常有一个过滤器选项，选择“XHR”或“Fetch/XHR”，这样可以只显示JavaScript发起的异步请求。
5. 刷新页面或触发内容加载： 如果内容是页面加载时自动填充的，刷新页面即可看到相关请求。如果内容是通过点击按钮、滚动等方式触发的，则需要执行相应的操作。
6. 检查请求： 仔细查看这些XHR请求的URL、请求方法（GET/POST）、请求头（Headers）、请求载荷（Payload）以及响应（Response）。通常，数据会以JSON格式在响应中返回。

通过检查，我们会发现原页面中议员列表的数据并非直接嵌入HTML，而是通过一个POST请求发送到https://www.parliament.lk/members-of-parliament/directory-of-members/index2.php?option=com_members&task=all&tmpl=component&letter={letter}&wordfilter=&search_district=这样的API端点，并以JSON格式返回。

直接请求API并处理数据

一旦找到了实际的数据API端点，我们就可以直接使用requests库向其发送请求，获取原始数据。

示例代码

以下代码演示了如何通过直接调用XHR API来获取斯里兰卡议会成员的列表数据：

import requests
import string
import json # 导入json模块以更好地处理JSON数据

# 存储所有议员数据的列表
all_members_data = []

# 遍历字母A-Z，因为议员列表是按字母分类加载的
for letter in list(string.ascii_uppercase):
    # 构建API请求URL。注意这里使用了POST请求
    # 这个URL是通过浏览器开发者工具的XHR请求中发现的
    api_url = f'https://www.parliament.lk/members-of-parliament/directory-of-members/index2.php?option=com_members&task=all&tmpl=component&letter={letter}&wordfilter=&search_district='

    try:
        # 发送POST请求到API端点
        # 实际的网页可能会在请求头中包含其他参数，例如User-Agent，
        # 如果遇到反爬，可能需要模拟更多请求头
        response = requests.post(api_url)
        response.raise_for_status() # 检查请求是否成功（状态码200）

        # 解析JSON响应
        members_json = response.json()

        # 遍历返回的每个议员数据项
        for member_info in members_json:
            # 提取所需信息并构建字典
            member_details = {
                'url': f"https://www.parliament.lk/en/members-of-parliament/directory-of-members/viewMember/{member_info['mem_intranet_id']}",
                'id': member_info['mem_intranet_id'],
                'name': member_info['member_sname_eng']
            }
            all_members_data.append(member_details)

    except requests.exceptions.RequestException as e:
        print(f"请求字母 {letter} 时发生错误: {e}")
    except json.JSONDecodeError as e:
        print(f"解析字母 {letter} 的JSON响应时发生错误: {e}")

# 打印获取到的部分数据作为示例
print(json.dumps(all_members_data[:5], indent=2, ensure_ascii=False)) # 打印前5条数据，格式化输出

# 如果需要，可以将所有数据保存到文件
# with open('parliament_members.json', 'w', encoding='utf-8') as f:
#     json.dump(all_members_data, f, indent=2, ensure_ascii=False)

代码解析

1. import requests, string, json: 导入必要的库。string用于生成字母列表，json用于处理API返回的JSON数据。
2. all_members_data = []: 初始化一个空列表，用于存储所有抓取到的议员信息。
3. for letter in list(string.ascii_uppercase):: 循环遍历所有大写字母（A到Z）。这是因为目标网站的议员列表是按姓氏首字母分类加载的，通过改变API请求中的letter参数来获取不同字母开头的议员。
4. api_url = f'...': 构建API请求的URL。这个URL是根据在浏览器开发者工具中分析XHR请求得到的。
5. requests.post(api_url): 发送HTTP POST请求到API端点。注意，这里是post而不是get，因为开发者工具显示该请求是POST类型。
6. response.raise_for_status(): 这是一个良好的实践，用于检查请求是否成功。如果HTTP状态码表示错误（如4xx或5xx），它会抛出一个requests.exceptions.HTTPError。
7. members_json = response.json(): 将API响应体解析为Python字典或列表（如果响应是JSON格式）。
8. 数据提取与存储: 遍历members_json中的每个成员对象，提取mem_intranet_id和member_sname_eng等关键信息，并构造一个包含议员详情URL、ID和姓名的字典，然后将其添加到all_members_data列表中。
9. 错误处理: 使用try-except块捕获可能的requests请求错误和json解析错误，增强代码的健壮性。

注意事项与总结

1. 动态内容是常态： 现代网页开发中，动态加载内容已成为主流。当BeautifulSoup抓取不到数据时，首先应怀疑是否为动态加载。
2. 开发者工具是利器： 熟练使用浏览器开发者工具是抓取动态网页的关键技能。特别是“网络”选项卡，能揭示所有HTTP请求的细节。
3. API稳定性： 直接调用网站的内部API可能会受网站更新影响而失效。网站所有者随时可能更改API端点、参数或响应格式。
4. 请求头模拟： 有些网站会检查请求头，例如User-Agent。如果直接请求API被拒绝，尝试在requests.post()或requests.get()中添加headers参数来模拟浏览器行为。
5. 频率限制与道德： 抓取网站数据时，请务必遵守网站的robots.txt协议，并控制请求频率，避免对目标服务器造成过大负担。过高的请求频率可能导致IP被封禁。
6. 数据格式： 大多数动态内容API返回JSON格式数据，但也有可能是XML或其他格式。根据实际响应调整解析方法。

通过上述方法，我们不仅解决了最初<ul>标签为空的问题，更掌握了抓取动态网页的核心技术。这种直接与后端API交互的方式，通常比模拟浏览器行为（如使用Selenium）更高效、资源消耗更低，是处理这类抓取任务的首选方案。

以上就是如何高效抓取动态加载的网页内容：以BeautifulSoup与XHR请求为例的详细内容，更多请关注php中文网其它相关文章！