试图用Python-3.7刮取html的一个特定部分，但它返回"None“

Question

我是个初学者，编写一些简单的Python代码来从网页中抓取数据。我已经找到了我想要抓取的html的确切部分，但是它一直返回“None”。它适用于网页的其他部分，但不适用于这一特定部分。

我使用BeautifulSoup来解析html，而且由于我可以抓取一些代码，所以我假设我不需要使用Selenium。但我还是找不到如何刮掉一个特定的部分。

下面是我编写的Python代码：

import requests

from bs4 import BeautifulSoup


url = 'https://www.rent.com/new-york/tuckahoe-apartments?page=2'

response = requests.get(url)

html_soup = BeautifulSoup(response.text, 'html.parser')

apt_listings = html_soup.find_all('div', class_='_3RRl_')
print(type(apt_listings))
print(len(apt_listings))

first_apt = apt_listings[0]

first_apt.a

first_add = first_apt.a.text

print(first_add)


apt_rents = html_soup.find_all('div', class_='_3e12V')
print(type(apt_rents))
print(len(apt_rents))

first_rent = apt_rents[0]

print(first_rent)

first_rent = first_rent.find('class', attrs={'data-tid' : 'price'})

print(first_rent)

以下是CMD的输出：

<class 'bs4.element.ResultSet'>
30
address not disclosed
<class 'bs4.element.ResultSet'>
30
<div class="_3e12V" data-tid="price">$2,350</div>
None

“地址未披露”是正确的，并被成功刮去。，我想刮2,350美元，但它一直在返回“零”，，我想我已经快把它做好了，但我似乎没能拿到2350美元。任何帮助都是非常感谢的。

Answer 1

您需要使用属性.text of BeautifulSoup而不是.find()，如下所示：

first_rent = first_rent.text

就这么简单。

Answer 2

您可以从一个脚本标记中提取所有的列表，并将其解析为json。regex查找启动window.__APPLICATION_CONTEXT__ =的脚本标记。

​

​

之后的字符串是通过regex (.*)中的组提取的。如果字符串使用json.loads加载，则可以将该javascript对象解析为json。

您可以探索json对象这里。

import requests
import json
from bs4 import BeautifulSoup as bs
import re
base_url = 'https://www.rent.com/'
res = requests.get('https://www.rent.com/new-york/tuckahoe-apartments?page=2')
soup = bs(res.content, 'lxml')
r = re.compile(r'window.__APPLICATION_CONTEXT__ = (.*)')
data = soup.find('script', text=r).text
script = r.findall(data)[0]
items = json.loads(script)['store']['listings']['listings']
results = []

for item in items:   
    address = item['address']
    area = ', '.join([item['city'], item['state'], item['zipCode']])
    low_price = item['aggregates']['prices']['low']
    high_price = item['aggregates']['prices']['high']
    listingId = item['listingId']
    url = base_url + item['listingSeoPath']
    # all_info = item
    record = {'address' : address,
              'area' : area,
              'low_price' : low_price,
              'high_price' : high_price,
              'listingId' : listingId,
              'url' : url}
    results.append(record)
df = pd.DataFrame(results, columns = [ 'address', 'area', 'low_price', 'high_price', 'listingId', 'url'])
print(df)

结果样本：

​

​

带课堂的简短版本：

import requests
from bs4 import BeautifulSoup
url = 'https://www.rent.com/new-york/tuckahoe-apartments?page=2'
response = requests.get(url)

soup = BeautifulSoup(response.text, 'html.parser')
print(soup.select_one('._3e12V').text)

所有价格：

import requests
from bs4 import BeautifulSoup
url = 'https://www.rent.com/new-york/tuckahoe-apartments?page=2'
response = requests.get(url)

html_soup = BeautifulSoup(response.text, 'html.parser')
print([item.text for item in html_soup.select('._3e12V')])