web-dev-qa-db-ja.com

pythonでHTMLを解析するために一度に無限スクロールのすべてのエントリをロードする方法

このページ から情報を抽出しようとしています。ページは一度に10アイテムをロードし、スクロールしてすべてのエントリーをロードする必要があります（合計で100）。 HTMLを解析して最初の10エントリに必要な情報を取得できますが、HTMLを解析する前にすべてのエントリを完全にロードしたいと思います。

私はpython、requests、BeautifulSoupを使用しています。最初の10エントリで読み込まれたときにページを解析する方法は次のとおりです。

from bs4 import BeautifulSoup
import requests
s = requests.Session()
r = s.get('https://medium.com/top-100/december-2013')
page = BeautifulSoup(r.text)

しかし、これは最初の10エントリのみをロードします。したがって、ページを見て、AJAX要求を使用して後続のエントリをロードし、応答を取得しましたが、ファンキーなJSONに含まれており、解析ではなくHTMLパーサーを使用します。 JSON。コードは次のとおりです。

from bs4 import BeautifulSoup
import requests
import json
s = requests.Session()
url = 'https://medium.com/top-100/december-2013/load-more'
payload = {"count":100}
r = s.post(url, data=payload)
page = json.loads(r.text[16:]) #skip some chars that throw json off

これはデータを提供しますが、非常に長く複雑なJSONであるので、ページ上のすべてのデータをロードして、HTMLを解析するだけです。さらに、レンダリングされたHTMLは、JSON応答よりも多くの情報を提供します（つまり、あいまいなuserIDではなく、作成者の名前など）。同様の質問 here がありましたが、関連する回答はありませんでした。理想的には、POSTを呼び出して、次にでHTMLを要求して解析したいのですが、それを行うことができます。

pythonhtmljsonbeautifulsouppython-requests
23
user3093455

これは、情報を抽出したいページがスクロールダウンするとJSを介して残りのエントリをロードするため、リクエストとBeautifulSoupでは実行できません。 Selenium を使用してこれを行うことができます。これにより、実際のブラウザが開き、プログラムでページダウンキープレスイベントを渡すことができます。アクションを確認するには、このビデオをご覧ください。 http://www.youtube.com/watch?v=g54xYVMojos

http://www.tidbitsofprogramming.com/2014/02/crawling-website-that-loads-content.html

以下は、Seleniumを使用して100件の投稿タイトルすべてを抽出するスクリプトです。

import time

from Selenium import webdriver
from Selenium.webdriver.common.keys import Keys

browser = webdriver.Chrome()

browser.get("https://medium.com/top-100/december-2013")
time.sleep(1)

elem = browser.find_element_by_tag_name("body")

no_of_pagedowns = 20

while no_of_pagedowns:
    elem.send_keys(Keys.PAGE_DOWN)
    time.sleep(0.2)
    no_of_pagedowns-=1

post_elems = browser.find_elements_by_class_name("post-item-title")

for post in post_elems:
    print post.text

出力：

When Your Mother Says She’s Fat
When “Life Hacking” Is Really White Privilege
As tendências culturais dos anos 2000 adiantadas pelo É o Tchan na década de 90
Coming Out as Biracial
Como ganhar discussões com seus parentes de direita neste Natal
How to save local bookstores in two easy steps
Welcome to Dinovember
How to Piss Off Your Barista
The boy whose brain could unlock autism
CrossFit’s Dirty Little Secret
Welcome to Medium
Here’s How the Military Wasted Your Money in 2013
Why I Wear Nail Polish
The day of High School I’ll never forget
7 Reasons Buffalonians Shouldn’t Hate Snow
Dear Guy Who Just Made My Burrito:
Is the Mona Lisa Priceless?
Please stop live tweeting people’s private conversations
Your Friends and Rapists
Eight things you can live without
The Value of Content
40 Ways To Make Life Simple Again
Manila-Beijing-Washington:
Things I Wish Someone Had Told Me When I Was Learning How to Code
Dear Ticketmaster,
Steve Jobs Danced To My Song
11 Things I Wish I Knew When I Started My Business
Bullish: Benevolent Sexism and “That Guy” Who Makes Everything Awkward
Advice to a College Music Student
Silver Gyninen joutui sotaan
Imagining the Post-Antibiotics Future
Which side are you on?
Put it away, junior. 
Casual Predation
The sad little iPhone commercial
How Node.js is Going to Replace JavaScript
Why you should have your heart broken into a million little pieces. 
How to Write Emails Like a CEO
Designing Products That Scale
How radioactive poison became the assassin’s weapon of choice
Why do people hate CrossFit?
We (Still) Need Feminism
10 Advanced Hearthstone Arena Tips
Let It Full-Bleed
What Medium Is For
How a Small Force of Finnish Ski Troops Fought Off a Massive Soviet Army
An Introvert’s Guide to Better Presentations
Mandela The Terrorist
Why You Should have a Messy Desk
Why I’m Not a TEDx Speaker
Fonts have feelings too
You Don’t Want Your Thanksgiving to Go Like This
What I’ve Learned in My First Month as a VC
Why Quantity Should be Your Priority
My Airbnb story
I Wanna Date You Like An Animal
The GIF Guide to Getting Paid
How We Discovered the Underground Chinese App Market
First Images of a Heart Injected with Liquid Metal 
Beyonce Broke the Music Business
“View mode” approach to responsive web design
Sometimes You Will Forget Your Mom Has Cancer
Darkness Ray Beams Invisibility From A Distance
Why Work As We Know It May Be Immoral
Staying Ahead of the Curve
The Geekiest Game Ever Made Has Been Released In Germany 
The Dirty Secret Behind the Salesforce $1M Hackathon
I’m a really good impostor
Mathematical Model of Zombie Epidemics Reveals Two Types of Living-Dead Infections
The Heartbreak Kid
200 Things
I’m Not Racist But—
Duel of the Superbattleships
23 and You
The Seattle NO
I’m a vaccine refuser. There, I said it. 
The Year We Broke Everything
How to make a DIY home alarm system with a Raspberry Pi and a webcam
Strike While the App is Hot
How to Fall In (and Out) of Love:
Why did Google make an ad for promoting “Search” in India where it has over 97% market share?
A Holiday Message From Jesus
Revealed: The Soviet Union’s $1 Billion ‘Psychotronic’ Arms Race with the US
Postmortem of a Venture-backed Startup
The 1.x Crore Myth
The “Getting Shit Done” Sleep Cycle 
Is the F-35 Joint Strike Fighter the New F-4?
Can the F-35 Win a Dogfight?
Responsive Photosets
Fightball: Millennials vs Boomers
The iconicity of “peaceful resistance”
How We Make Chocolate
Five Ships of the Chinese Navy You Really Ought to Know About
Glassholes and Black Rock City
Bad News for U.S. Warplane Pilots: Russia’s New Dogfighting Missile Can’t Miss
How Antisec Died
10 ways you’ll probably f**k up your startup
UPDATED: Finding the unjustly homeless, and teaching them to code.
Technology hasn’t Changed Us.
What I’ve learned from fatherhood
38
praveen

これで試すことができます：

from Selenium import webdriver
from bs4 import BeautifulSoup
from Selenium.webdriver.support.ui import WebDriverWait

pause = 10
driver = webdriver.PhantomJS(executable_path='phantomjs.exe')
driver.get("your_url")
#This code will scroll down to the end
while True:
     try:
        # Action scroll down
        driver.execute_script("window.scrollTo(0, document.body.scrollHeight);")
     break
 except: 
     pass
5
Phan Duc

または、Andrew Cheが この質問 で答えを試すこともできます。これは3年前の質問であり、ページはもうありませんが、スクロール結果ページで同様のことを試みると（たとえば、「トップ」を検索しました）、取得するために呼び出すことができるエンドポイントを見つけることができます結果リストのさまざまなページ。この場合は「 https://medium.com/search/posts?q=top&page=1 」でした。

0
Muhammad Khattab