在Python中使用Beautiful Soup无法找到特定链接

Question

我无法使用BeautifulSoup从网页中提取特定链接。 具体的网页是http://punchdrink.com/recipe-archives/?filter-spirit__term=Gin

当我检查源代码时，会看到我要抓取的链接，特别是指向食谱的链接（例如： http : //punchdrink.com/recipes/breakfast-martini/ ），但是当我使用BeautifulSoup时，这些链接不会根本不会显示在HTML中。

这是获取HTML的代码：

def drinkScraper(url, searchTerm):
  res = requests.get(url)
  res.raise_for_status()
  soup = bs4.BeautifulSoup(res.text)

打印汤使html没有引用该页面上任何食谱的链接。

我正在尝试从该网站抓取其档案库中所有食谱的链接，但我似乎无法弄清楚。

谢谢你的帮助。

Answer 1

尽管selenium ，您可以使用selenium ，但是通过遵循XHR请求并通过requests模拟，您也可以学得很好。 如果您在打开Firebug或Chrome开发者工具时注意到，在搜​​索术语时，它将要求一个api（通过XHR）并以json格式返回结果。 您可以简单地请求参数并解析结果。

像这样：

from bs4 import BeautifulSoup
import requests

jsonRequestData = '{"requests":[{"indexName":"wp_posts_recipe","params":"query=&hitsPerPage=1000&maxValuesPerFacet=100&page=0&distinct=false&facetingAfterDistinct=true&filters=record_index%3D0&facets=%5B%22spirit%22%2C%22style%22%2C%22season%22%2C%22flavor_profile%22%2C%22family%22%5D&tagFilters=&facetFilters=%5B%22spirit%3AGin%22%5D"}]}'
headers = {'Content-type': 'application/x-www-form-urlencoded', 'Accept': 'application/json'}

response = requests.post('http://h0iee3ergc-2.algolianet.com/1/indexes/*/queries?x-algolia-agent=Algolia%20for%20vanilla%20JavaScript%20(lite)%203.21.1%3Binstantsearch.js%201.11.6%3BJS%20Helper%202.19.0&x-algolia-application-id=H0IEE3ERGC&x-algolia-api-key=9a128c4989675ec375c59a2de9ef3fc1', headers=headers, data=jsonRequestData)

for hit in response.json()["results"][0]["hits"]:
    print ("%s (%s)" % (hit["post_title"], hit["permalink"]))

其中jsonRequestData是数据form post data ，您可以在其中更改搜索词，而headers是要发送的标题。

它会输出：

State Street Bloody Mary (http://punchdrink.com/recipes/state-street-bloody-mary/)
I'm Ya Huckleberry (http://punchdrink.com/recipes/im-ya-huckleberry/)
Girl From Cadiz (http://punchdrink.com/recipes/girl-from-cadiz/)
Breakfast Martini (http://punchdrink.com/recipes/breakfast-martini/)
Juniperotivo (http://punchdrink.com/recipes/juniperotivo/)
....