如何使用 Beautiful Soup 從網站上刮取 SVG 元素？

Question

from bs4 import BeautifulSoup
import requests
import random

id_url = "https://codeforces.com/profile/akash77"
id_headers = {
    "User-Agent": 'Mozilla/5.0(Windows NT 6.1Win64x64) AppleWebKit / 537.36(KHTML, like Gecko) Chrome / 87.0 .4280 .141 Safari / 537.36 '}
id_page = requests.get(id_url, headers=id_headers)
id_soup = BeautifulSoup(id_page.content, 'html.parser')

id_soup = id_soup.find('svg')
print(id_soup)

為此，我得到了None作為 output 。

如果我解析包含此<svg>標記的 < <div> <div>元素，則不會打印 <div> 元素的內容。 find()適用於除 SVG 標簽外的所有 HTML 標簽。

Answer 1

svg 標簽不包含在源代碼中，它由 Javascript 渲染。

Answer 2

該網頁使用 Javascript 動態呈現，因此您將需要selenium來獲取呈現的頁面。

首先，安裝庫

pip install selenium
pip install webdriver-manager

然后，您可以使用它訪問整個頁面

from selenium import webdriver
from selenium.webdriver.chrome.service import Service
from webdriver_manager.chrome import ChromeDriverManager
from selenium.webdriver.common.by import By

s=Service(ChromeDriverManager().install())
driver = webdriver.Chrome(service=s)
driver.maximize_window()
driver.get('https://codeforces.com/profile/akash77')
elements = driver.find_elements(By.XPATH, '//*[@id="userActivityGraph"]')

Elements 是一個 selenium WebElement，所以我們需要從中取出 HTML。

svg = [WebElement.get_attribute('innerHTML') for WebElement in elements]

這為您提供了 svg 和其中的所有元素。

有時，您需要在無頭模式下運行瀏覽器（無需打開 chrome UI），因為您可以將“無頭”選項傳遞給驅動程序。

from selenium.webdriver.chrome.options import Options

options = Options()
options.add_argument('headless')

# then pass options to the driver

driver = webdriver.Chrome(service=s, options=options) 

Answer 3

如果您只想要 html 中的數據，這並不漂亮，但它比瀏覽器自動化更快速、更容易：

import requests
import json

url = 'https://codeforces.com/profile/akash77'

resp = requests.get(url)

start = "$('#userActivityGraph').empty().calendar_yearview_blocks("
end = "start_monday: false"

s = resp.text
svg_data = s[s.find(start)+len(start):s.rfind(end)].strip()[:-1].replace('items','"items"').replace('data','"data"').replace('\n','').replace('\t','').replace(' ','') #get the token out the html
broken = svg_data+'}'

json_data = json.loads(broken)
print(json_data)