likes
comments
collection
share

python 解析html<script>标签内变量内容

作者站长头像
站长
· 阅读数 45

最近在试用scrapy爬取网站数据发现部分图表是通过异步生成的,scrapy获取到的html页面内只有一个空标签。因此只能查找其原数据,还好通过翻查实例化表格的js文件就追溯到了。但是数据在原html页面内的script标签内以js直接定义,如下图:python 解析html<script>标签内变量内容不能直接通过xpath获取,而且是普通object和array两种格式,通过直接字符串操作肯定不够优雅。因此需要绕一下:

import js2xml
import json
import xmltodict
from lxml.etree import tostring
import xmldict_simplify #下文定义的方法
#中略...
dataName ="forecast_1h"
scripts = response.xpath('//script/text()').extract()
#获取特定script标签的内容,不包含标签本身
script =list(filter(lambda x: (dataName in x ),scripts))[0]
#script内容 → xml
xml = js2xml.parse(script,encoding='utf-8',debug=False)

如果这一步直接xml转json的话,会得到这样的数据python 解析html<script>标签内变量内容即带数据类型的json数据,但是这样的dict自然是不好用的,因此定义个方法处理下

def typeParse(xmlobj):
    keys = list(xmlobj.keys())
    if(len(keys)>1):
        #引用类型嵌套调用
        if(keys[1]=="array"):
            return {xmlobj[keys[0]]:list(map(lambda x:typeParse(x),xmlobj["array"]["object"]))}
        elif(keys[1]=="object"):
                return {xmlobj[keys[0]]:typeParse(xmlobj["object"])}
    if(len(keys)==1 and keys[0]=="property"):
        _property = {}
        for item in xmlobj["property"]:
            _keys = list(item.keys())
            #值类型直接输出
            if(_keys[1]=="string"):
                _property[item["@name"]] = item["string"]
            elif(_keys[1]=="number"):
                _property[item["@name"]] = item["number"]["@value"]
            #引用类型继续处理
            else:
                _property[item["@name"]] = int(typeParse(item)[item["@name"]]) 
        return _property

在主流程内使用

_dict = xmltodict.parse(tostring(xml))["program"] 
        _data = {}
        if(len(_dict["var"])>0): 
            for item in _dict["var"]:
                _simplify = xmldict_simplify.typeParse(item)
                _data = dict(_data,**dict(_simplify))

得到了普通的dict和list数据{"forecast_1h": [{"time": "08", "weatherCode": "d07", "weather": "\u5c0f\u96e8", "temp": "28", "windL": "<3\u7ea7",..."forecast_default": {"time": "11:00", "weatherBg": "weatherBg02",...

转载自:https://segmentfault.com/a/1190000023591993
评论
请登录