关于python3.x:python-解析htmlscript标签内变量内容

83次阅读

共计 1525 个字符,预计需要花费 4 分钟才能阅读完成。

最近在试用 scrapy 爬取网站数据
发现局部图表是通过异步生成的,
scrapy 获取到的 html 页面内只有一个空标签。
因而只能查找其原数据,还好通过翻查实例化表格的 js 文件就追溯到了。然而数据在原 html 页面内的 script 标签内以 js 间接定义,如下图:

不能间接通过 xpath 获取,而且是一般 object 和 array 两种格局,通过间接字符串操作必定不够优雅。
因而须要绕一下:

import js2xml
import json
import xmltodict
from lxml.etree import tostring
import xmldict_simplify #下文定义的办法
#中略...
dataName ="forecast_1h"
scripts = response.xpath('//script/text()').extract()
#获取特定 script 标签的内容,不蕴含标签自身
script =list(filter(lambda x: (dataName in x),scripts))[0]
#script 内容 → xml
xml = js2xml.parse(script,encoding='utf-8',debug=False)

如果这一步间接 xml 转 json 的话,会失去这样的数据

即带数据类型的 json 数据,然而这样的 dict 天然是不好用的,
因而定义个办法解决下

def typeParse(xmlobj):
    keys = list(xmlobj.keys())
    if(len(keys)>1):
        #援用类型嵌套调用
        if(keys[1]=="array"):
            return {xmlobj[keys[0]]:list(map(lambda x:typeParse(x),xmlobj["array"]["object"]))}
        elif(keys[1]=="object"):
                return {xmlobj[keys[0]]:typeParse(xmlobj["object"])}
    if(len(keys)==1 and keys[0]=="property"):
        _property = {}
        for item in xmlobj["property"]:
            _keys = list(item.keys())
            #值类型间接输入
            if(_keys[1]=="string"):
                _property[item["@name"]] = item["string"]
            elif(_keys[1]=="number"):
                _property[item["@name"]] = item["number"]["@value"]
            #援用类型持续解决
            else:
                _property[item["@name"]] = int(typeParse(item)[item["@name"]]) 
        return _property

在主流程内应用

_dict = xmltodict.parse(tostring(xml))["program"] 
        _data = {}
        if(len(_dict["var"])>0): 
            for item in _dict["var"]:
                _simplify = xmldict_simplify.typeParse(item)
                _data = dict(_data,**dict(_simplify))

失去了一般的 dict 和 list 数据
{"forecast_1h": [{"time": "08", "weatherCode": "d07", "weather": "\u5c0f\u96e8", "temp": "28", "windL": "<3\u7ea7",...
"forecast_default": {"time": "11:00", "weatherBg": "weatherBg02",...

正文完
 0