1

この usl から html ソースを取得しようとしています: http://books.google.com/books?id=NZlV0M5Ije4C&dq=isbn:0470284889

次のコードを使用しました。

#!/usr/bin/env python

import urllib, urllib2, urlparse, argparse, re
from bs4 import BeautifulSoup

def getPageSoup(address):
    request = urllib2.Request(address, None, {'User-Agent':'Mozilla/5.0 (compatible; MSIE 6.0; Windows NT 5.1)'} )
    urlfile = urllib2.urlopen(request)
    page = urlfile.read()
    urlfile.close()
    print 'soup has been obtained!'
    return BeautifulSoup(page)

soup2 = getPageSoup(address)
metadata = soup2.findAll("metadata_row")#this content is present when viewing from the web browser

ただし、soup2 の html ソースは、Google ブックス ページのソースとほとんど似ていません。

   <!DOCTYPE html PUBLIC "-//W3C//DTD XHTML 1.0 Strict//EN""http://www.w3.org/TR/xhtml1/DTD/xhtml1-strict.dtd">
    <html><head><title>Quantitative Trading: How to Build Your Own Algorithmic Trading Business - Ernie Chan - Google Books</title><script>(function(){function a(c){this.t={};this.tick=function(c,e,b){b=void 0!=b?b:(new Date).getTime();this.t[c]=[b,e]};this.tick("start",null,c)}var d=new a;window.jstiming={Timer:a,load:d};try{var f=null;window.chrome&amp;&amp;window.chrome.csi&amp;&amp;(f=Math.floor(window.chrome.csi().pageT));null==f&amp;&amp;window.gtbExternal&amp;&amp;(f=window.gtbExternal.pageT());null==f&amp;&amp;window.external&amp;&amp;(f=window.external.pageT);f&amp;&amp;(window.jstiming.pt=f)}catch(g){};})();
    </script><link href="/books/css/_9937a87cb2905e754d8d5e36995f224d/kl_about_this_book_kennedy_full_bundle.css" rel="stylesheet" type="text/css"/></head></html>

urllib2 の HTML ソースと私の Web ブラウザは大きく異なります。正しいページ ソースを取得するにはどうすればよいですか?

ありがとう！

4

1 に答える 1

0

正しいページソースです。ページのすべての表示コンテンツは JavaScript によって生成されます。そのため、urllib を使用して実際のコンテンツを取得することはできません。ブラウザ拡張機能、Webkit バインディングなどを使用する必要があります。

于 2012-04-29T00:45:36.500 に答える