使用美丽的汤来寻找目标“物品”

Question

所以我正试图在丝芙兰网站上刮擦香水的名称，品牌和价格。但我注意到，60种香水中只有前12种会出现（一页上有60种香水）。我试图打印出“item_container”的长度，它显示有60个，但是从第12项开始，一些具有不同结构的代码开始出现在那里。我已经检查了他们的HTML结构，我不明白为什么我的代码不适用于其余的。我还尝试将“类”更改为更具体的类，例如：perfume_containers = soup.find_all('div', class_="css-12egk0t")自perfume_containers = soup.find_all('div', class_="css-ix8km1")但它要么给我同样的结果，要么没有任何东西可以回到我身边。未显示的项目的 HTML 代码工作的项目的 HTML 代码这是我的代码，我只显示我提取品牌的部分，因为它太长了，无法显示整个内容。请发送一些帮助！谢谢！！import pandas as pdfrom bs4 import BeautifulSoupimport requestssource = requests.get('https://www.sephora.com/shop/perfume')soup = BeautifulSoup(source.content, 'html.parser')perfume_containers = soup.find_all('div', class_="css-12egk0t")brands = []for container in perfume_containers:# The brand    brand = container.find('span', class_='css-ktoumz')    try:        brands.append(brand.text)    except:        continue

Answer 1

这里的问题是，正如您从 html 属性 中注意到的那样，某些类数据组是在页面加载后加载的，而您成功爬网的 12 个项目具有 属性 。BeautifulSoup解析html的确切方式，您如何看待网页的源代码，您可以从源代码中看到只有12个项目被加载，因此其余的项目可能以其他方式加载（可能使用ajax或其他东西），但是在这种情况下，我发现这些项目实际上是在源代码底部的脚本标签上以json的形式在源代码上交付的， 因此，您实际上不再需要抓取数据，您可以直接访问json，如下所示：data-lload="comp"data-lload="false"

import pandas as pd

from bs4 import BeautifulSoup

import requests

import json

source = requests.get('https://www.sephora.com/shop/perfume')

soup = BeautifulSoup(source.content, 'html.parser')

scriptContent = soup.find(id="linkJSON").text

catalog = json.loads(scriptContent)

products = catalog[3]['props']['products']

extracted = []

for p in products:

  extracted.append({'brand': p['brandName'], 'displayName': p['displayName'], 'price': p['currentSku']['listPrice']})

print(extracted)