iT邦幫忙

0

爬蟲: 如何將html中標籤底下的json內容抓下來

  • 分享至 

  • xImage

目前在抓取Meet創業小聚裡面完整的內容

是使用BeautifulSoup和requests來抓取

在抓取時發現,爬蟲程式標籤正確,但抓取不到內容

F12檢視元素:
https://ithelp.ithome.com.tw/upload/images/20210809/20119434z8qA3VQCtq.png

https://ithelp.ithome.com.tw/upload/images/20210809/20119434NgBk2MeSxy.png

結果:
https://ithelp.ithome.com.tw/upload/images/20210809/20119434Vy8IRGYfKQ.png

print(soup)後發現文章內容是放在別的標籤中(<script type="application/ld+json">),底下看起來是json格式某個Key的裡面("articleBody":)
https://ithelp.ithome.com.tw/upload/images/20210809/20119434cLE739E8bN.png
https://ithelp.ithome.com.tw/upload/images/20210809/20119434MldRjDxr0f.png

請問要怎麼將文章內容從html中像是json格式的地方抓取出來,並轉成json格式輸出?
PS: 指定到該標籤,將內容印出發現不是json格式(多了第一和最後一行)
https://ithelp.ithome.com.tw/upload/images/20210809/20119434PVwec6f2fr.png
https://ithelp.ithome.com.tw/upload/images/20210809/20119434FhuFNV27MM.png

程式碼:

from bs4 import BeautifulSoup
import requests

url = 'https://meet.bnext.com.tw/articles/view/46971'
response = requests.get(url, verify=False)
soup = BeautifulSoup(response.text, "html.parser")
article = soup.select('script[type="application/ld+json"]')
article_str = str(article)
print(article_str)
圖片
  直播研討會
圖片
{{ item.channelVendor }} {{ item.webinarstarted }} |
{{ formatDate(item.duration) }}
直播中

2 個回答

0
czsea35
iT邦新手 3 級 ‧ 2021-08-09 22:27:40
最佳解答
from bs4 import BeautifulSoup
import requests
import json;

url = 'https://meet.bnext.com.tw/articles/view/46971'
response = requests.get(url, verify=False)
soup = BeautifulSoup(response.text, "html.parser")
article = soup.select('html script[type="application/ld+json"]')[0].contents[0]
results = json.loads(article)
final = results['articleBody']
print(final)

抓出來是陣列因此添加 [0]
或是用 soup.select_one()

內容在 contents 內

0
japhenchen
iT邦超人 1 級 ‧ 2021-08-10 09:18:54

加一點東西,重新把json規整後顯示

from bs4 import BeautifulSoup
import requests,re,json 
url = 'https://meet.bnext.com.tw/articles/view/46971'
response = requests.get(url, verify=False)
response.encoding='utf-8'  # 新加
soup = BeautifulSoup(response.text, "html.parser")
article = soup.select('script[type="application/ld+json"]')
article_str = re.sub(r"[\r\n\b]","",article[0].contents[0]) # 改
v = json.loads(article_str)  # 新加
print(json.dumps(v,ensure_ascii=False)) # 新加

我要發表回答

立即登入回答