Python web scraping - 如何在页面通过JS加载内容时获取资源？

Question

所以我正在尝试使用 BeautifulSoup 和 urllib 从特定网站抓取表格。我的目标是根据该表中的所有数据创建一个列表。我尝试使用来自其他网站的表格使用相同的代码，并且效果很好。然而，在这个网站上尝试时，该表返回一个 NoneType 对象。有人可以帮我弄这个吗？我试过在网上寻找其他答案，但运气不佳。

代码如下:

import requests
import urllib

from bs4 import BeautifulSoup
soup = BeautifulSoup(urllib.request.urlopen("http://www.teamrankings.com/ncaa-basketball/stat/free-throw-pct").read())

table = soup.find("table", attrs={'class':'sortable'})

data = []
rows = table.findAll("tr")
for tr in rows:
    cols = tr.findAll("td")
    for td in cols:
        text = ''.join(td.find(text=True))
        data.append(text)

print(data)

Answer 1

看起来这个数据是通过 ajax 调用加载的:

您应该改为定位该网址:http://www.teamrankings.com/ajax/league/v3/stats_controller.php

import requests
import urllib

from bs4 import BeautifulSoup


params = {
    "type":"team-detail",
    "league":"ncb",
    "stat_id":"3083",
    "season_id":"312",
    "cat_type":"2",
    "view":"stats_v1",
    "is_previous":"0",
    "date":"04/06/2015"
}

content = urllib.request.urlopen("http://www.teamrankings.com/ajax/league/v3/stats_controller.php",data=urllib.parse.urlencode(params).encode('utf8')).read()
soup = BeautifulSoup(content)

table = soup.find("table", attrs={'class':'sortable'})

data = []
rows = table.findAll("tr")
for tr in rows:
    cols = tr.findAll("td")
    for td in cols:
        text = ''.join(td.find(text=True))
        data.append(text)

print(data)

使用网络检查器，您还可以查看随 POST 请求一起传递的参数。

通常，另一端的服务器会检查这些值，如果您没有这些值，则拒绝您的请求。上面的代码片段对我来说运行良好。我切换到 urllib2 因为我通常更喜欢使用该库。

如果数据在您的浏览器中加载，则可以抓取它。您只需模仿您的浏览器发送的请求。