python - 想知道如何在tripadvisor上爬行
问题描述
我正在尝试获取新加坡餐馆的所有 url 链接,但我的代码不起作用
data = requests.get("https://www.tripadvisor.com.sg/Restaurants-g294265-Singapore.html").text
soup = BeautifulSoup(data, "html.parser")
for link in soup.find_all('a', {'property_title'}):
print('https://www.tripadvisor.com/Restaurant_Review-g294265-' + link.get('href'))
print(link.string)
它在代码中不断加载和再次加载soup = BeautifulSoup(data, "html.parser")
我不知道为什么会发生这种情况,即使这适用于其他网站。
这是因为旅行顾问阻止抓取还是代码错误?
解决方案
它继续加载并再次加载
要获得响应,请添加:user-agent
header
headers = {
"user-agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/91.0.4472.124 Safari/537.36"
}
data = requests.get(
"https://www.tripadvisor.com.sg/Restaurants-g294265-Singapore.html", headers=headers
).text
但是数据是动态加载的,requests
不支持动态加载的页面。但是,网站上提供 JSON 格式的文件,(不清楚您要抓取什么)。要获取所有数据,您可以使用json
/re
模块:
import json
...
data = requests.get(
"https://www.tripadvisor.com.sg/Restaurants-g294265-Singapore.html", headers=headers
).text
json_data = re.search(r"window\.__WEB_CONTEXT__=({.*});", data, flags=re.MULTILINE).group(1)
print(
# Prints all the data, you can use `json.loads` instead to access the data instead
json.dumps(json_data, indent=4)
)
要获取所有链接:
import re
import requests
headers = {
"user-agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/91.0.4472.124 Safari/537.36"
}
data = requests.get(
"https://www.tripadvisor.com.sg/Restaurants-g294265-Singapore.html", headers=headers
).text
for link in re.findall(r'"detailPageUrl":"(.*?)"', data):
print("https://www.tripadvisor.com.sg/" + link)
输出(截断):
https://www.tripadvisor.com.sg//Restaurant_Review-g294265-d1145149-Reviews-Grand_Shanghai_Restaurant-Singapore.html
https://www.tripadvisor.com.sg//Restaurant_Review-g294265-d1193730-Reviews-Entre_Nous_creperie-Singapore.html
https://www.tripadvisor.com.sg//Restaurant_Review-g294265-d1173583-Reviews-The_Courtyard-Singapore.html
https://www.tripadvisor.com.sg//Restaurant_Review-g294265-d4611806-Reviews-NOX_Dine_in_the_Dark-Singapore.html
https://www.tripadvisor.com.sg//Restaurant_Review-g294265-d13152787-Reviews-Positano_Risto-Singapore.html
推荐阅读
- c++ - 如何解决内存过多的问题?
- node.js - 部署到 Netlify Github 操作不起作用
- r - 看似不相关的回归的 T 检验
- python - 如何从termux运行python脚本?
- java - Java - 如何在 Excel 已经打开时读取它(通过单击 Web 应用程序中的打开按钮打开)?
- flutter - Flutter StreamBuilder 从先前的生成器流生成快照
- c - 我无法理解由 pthreads 引起的这种奇怪的确定性结果
- javascript - Bootstrap 4 粘性底部导航栏 - 主要内容在底部导航栏下滚动
- python - 如何让智能感知与 .egg-link 包(以开发模式安装)一起工作?
- python - discord.py 中的角色命令