最近我一直在用 python 开发一个项目,该项目涉及为一些代理抓取一些网站。我遇到的问题是,当我尝试抓取某个知名代理站点时,当我要求 Beautiful Soup 查找 IP 在代理表中的位置时,Beautiful Soup 并没有按照我的预期进行。我会尝试为每个代理寻找 IP,当我在适当的元素上使用 Beautiful Soup 的 .get_text()
方法时,我会得到这样的输出。
...
.UbZT{display:none}
.f5fa{display:inline}
.Glj2{display:none}
.cUce{display:inline}
.zjUZ{display:none}
.GzLS{display:inline}
98120169.117.186373161218218.83839393101138154165203242
...
这是我要解析的元素(包含 IP 的 td 标记):
<td><span><style>
.lLXJ{display:none}
.qRCB{display:inline}
.qC69{display:none}
.V0zO{display:inline}
</style><span style="display: inline">190</span><span class="V0zO">.</span><span
style="display:none">2</span><div style="display:none">20</div><span
style="display:none">51</span><span style="display:none">56</span><div
style="display:none">56</div><span style="display:none">61</span><span
class="lLXJ">61</span><div style="display:none">61</div><span
class="qC69">110</span><div
style="display:none">110</div><span style="display:none">135</span><div
style="display:none">135</div><span class="V0zO">221</span><span
style="display:none">234</span><div style="display:none">234</div><span class="147">.
</span><span style="display: inline">29</span><div style="display:none">44</div><span
style="display:none">228</span><span></span><span class="qC69">248</span>.<span
style="display:none">7</span><span></span><span style="display:none">44</span><span
class="qC69">44</span><span class="qC69">80</span><span></span><span
style="display:none">85</span><span class="lLXJ">85</span><div
style="display:none">85</div><span class="qC69">100</span><div
style="display:none">100</div><span></span><span class="qC69">130</span><div
style="display:none">130</div><div style="display:none">168</div>212<span
style="display:none">230</span><span class="qC69">230</span><div
style="display:none">230</div></span></td>
此元素的实际文本只是代理的 IP。
这是我的代码片段:
# Hide My Ass
pages = ['https://www.hidemyass.com/proxy-list']
for page in pages:
hidemyass = Soup(requests.get(page).text)
rows = hidemyass.find_all(lambda tag:tag.name=='tr' and tag.has_attr('class'))
for row in rows:
fields = row.find_all('td')
# get ip, port, and protocol for proxy
ip = fields[1].get_text() # <-- Here's the above td element
port = fields[2].get_text()
protocol = fields[6].get_text().lower()
# store proxy in database
db.add_proxy({'ip':ip,'port':port,'protocol':protocol})
num_found += 1
有没有一种正确的方法来解析这个元素,这样输出就不会像这样乱七八糟了? Beautiful Soup 的 .get_text()
方法会准确返回网站上可见的文本,这似乎很直观,但我认为这不是真的。感谢您提供任何帮助或建议。
最佳答案
BeautifulSoup
无法将可见文本与 HTML 标记中的其他文本区分开来。这个特定的网站在混淆标记方面做得非常好,并使页面的网络抓取更加复杂。您可以尝试了解哪些文本是可见的,但这并不容易,因为插入了很多不相关的元素,可以通过 style
或通过 class
直接使其不可见.一些 IP
部分在 span
中,其中一些不属于任何标签。
一种解决方法是使用 Selenium
它只能从元素中获取 visible
文本。例如,此代码将打印特定表中的所有 IP
:
from selenium.webdriver.firefox import webdriver
browser = webdriver.WebDriver()
browser.get('https://www.hidemyass.com/proxy-list')
rows = browser.find_elements_by_xpath('//table[@id="listtable"]//tr')
for row in rows[1:]:
cells = row.find_elements_by_tag_name('td')
print cells[1].text
browser.close()
另见:
希望对您有所帮助。
关于python - 美汤刮痧 : Why won't the get_text method return the text of this element?,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/23431088/