Python Web刮板打印“无”，如何解决？

Question

我正在尝试做一个学校项目，使用给定的股票报价器名称，并在SeekingAlpha上找到“观看”该项目的人数，但是当我尝试打印时，我一直得到“无”值。 我怎样才能解决这个问题？

这是我第一次尝试进行网络抓取，但是我对BeautifulSoup进行了一些研究，并认为这是最好的用法。 我也在使用Anaconda环境。 在我的代码中，我试图找到该股票的完整公司名称，以及在SeekingAlpha上关注该股票的人数。 出于某种原因，我能够检索股票行情的公司名称，但是当我尝试打印关注者的数量时，它会显示“无”。 我尝试了所有我能想到的变体来找到关注者，但他们都导致了“无”。

这是HTML ：（在这里我想要值83,530）

这是我的代码：

 import requests import urllib.request as urllib2 from urllib.request import Request, urlopen from bs4 import BeautifulSoup from lxml import etree listOfTickers = ["ATVI", "GOOG", "AAPL", "AMZN", "BRK.B", "BRK.A", "NFLX", "SNAP"] for i in range(len(listOfTickers)): ticker = listOfTickers[i] quotePage = Request("https://seekingalpha.com/symbol/" + ticker, headers = {'User-Agent': 'Mozilla/5.0'}) page = urlopen(quotePage).read() soup = BeautifulSoup(page, "lxml") company_name = soup.find("div", {"class" :"ticker-title"}) followers_number = soup.find('div', {"class":"followers-number"}) company= company_name.text.strip() #followers = followers_number.text.strip() print(followers_number) print(company) 

这是我的结果

Answer 1

尝试以下方法以获得所需的输出。 您希望获取的内容是动态生成的，因此请求模块或urllib不会有任何帮助。 您可以使用任何浏览器模拟器，也可以使用request-html来完成操作。 也没有必要使用BeautifulSoup。 但是，我之所以保留它只是因为您一开始就使用它。

from requests_html import HTMLSession
from bs4 import BeautifulSoup

tickers = ["ATVI", "GOOG", "AAPL", "AMZN"]

with HTMLSession() as session:
    for i in range(len(tickers)):
        quotePage = session.get("https://seekingalpha.com/symbol/{}".format(tickers[i]))
        quotePage.html.render(5)
        soup = BeautifulSoup(quotePage.html.html, "lxml")
        followers_number = soup.find(class_="followers-number")
        print(followers_number)

您可能会得到的输出如下：

<div class="followers-number">(<span>83,532</span> followers)</div>
<div class="followers-number" title="1,032,510">(<span>1.03M</span> followers)</div>
<div class="followers-number" title="2,065,199">(<span>2.07M</span> followers)</div>

Answer 2

只需使用页面执行的相同端点即可检索订阅信息，包括＃个关注者：

import requests

tickers = [ "atvi", "goog", "aapl", "amzn", "brk.b", "brk.a", "nflx", "snap"]

with requests.Session() as s:
    for ticker in tickers:
        r = s.get('https://seekingalpha.com/memcached2/get_subscribe_data/{}?id={}'.format(ticker, ticker)).json()
        print(ticker, r['portfolio_count'])

---

Answer 3

当关注者计数通过ajax加载时， BeautifulSoup无法访问其值。 使用selineum / Phantojs之类的无头浏览器，您可以获得完整的html include javascript生成的内容。 另一种方法是通过向端点发出额外的请求，在端点上使用JavaScript进行渲染以呈现页面的特定部分。 这是一个可行的解决方案

import requests
import urllib.request as urllib2
from urllib.request import Request, urlopen
from bs4 import BeautifulSoup
from lxml import etree

listOfTickers = ["ATVI", "GOOG", "AAPL", "AMZN", "BRK.B", "BRK.A", "NFLX", "SNAP"]

def getFollowersCount(ticker):

    # build url 
    url = 'https://seekingalpha.com/memcached2/get_subscribe_data/{}?id={}'.format(ticker.lower(), ticker.lower())

    # Using requests module not urllib.request.
    counter = requests.get(url)

    # If requests return is json than return portfolio_count otherwise 0
    try:
        return counter.json()['portfolio_count']
    except:
        return 0

for ticker in listOfTickers:

    quotePage = Request("https://seekingalpha.com/symbol/" + ticker, headers = {'User-Agent': 'Mozilla/5.0'})

    page = urlopen(quotePage).read()

    soup = BeautifulSoup(page, "lxml")

    company_name = soup.find("div", {"class" :"ticker-title"})
    #followers_number = soup.find('div', {"class":"followers-number"})
    followers_number = getFollowersCount(ticker)

    company= company_name.text.strip()
    #followers = followers_number.text.strip()

    print(followers_number)
    print(company)

Answer 4

最好的方法是监视网络。 Shift + Ctrl + I（在Windows上），查看页面如何发送和接收数据。 :)您将看到数据来自“ https://seekingalpha.com/memcached2/get_subscribe_data ”，因此这将为您完成工作：

from collections import defaultdict
from requests import Session

tickers = ['atvi', 'goog','aapl', 'amzn']
storage = defaultdict(str) # storing data

URL = 'https://seekingalpha.com/memcached2/get_subscribe_data'

# Start a session. Here you can add headers, or(and) cookies
curl = Session()

for tick in tickers:
    param = {'id':tick}
    response = curl.get(f'{URL}/{tick}', params=param).json()
    storage[tick] = response['portfolio_count']

# show the results
print(storage)