如何使用动态 HTML (Python) 从网页中抓取数据？

Question

我试图弄清楚如何从以下网址中抓取数据：https://www.aap.org/en-us/advocacy-and-policy/aap-health-initiatives/nicuverification/Pages/NICUSearch.aspx这是数据类型：看起来所有内容都是从数据库填充并通过 JavaScript 加载到网页中。我过去使用seleniumand做过类似的事情PhantomJS，但我不知道如何在 Python 中获取这些数据字段。正如预期的那样，我不能用于pd.read_html此类问题。是否可以解析以下结果：from selenium import webdriverurl="https://www.aap.org/en-us/advocacy-and-policy/aap-health-initiatives/nicuverification/Pages/NICUSearch.aspx"browser = webdriver.PhantomJS()browser.get(url)content = browser.page_source或者也许可以访问实际的底层数据？如果没有，除了几个小时的复制和粘贴之外，还有什么其他方法？编辑：基于下面的答案，来自 @thenullptr，我已经能够访问该材料，但仅限于第 1 页。我如何调整它以遍历所有页面 [正确解析的建议]？我的最终目标是将其放入 pandas 数据框中import requestsfrom bs4 import BeautifulSoupr = requests.post(    url = 'https://search.aap.org/nicu/',     data = {'SearchCriteria.Level':'1', 'X-Requested-With':'XMLHttpRequest'}, ) #key:valuehtml = r.text# Parsing the HTML    soup = BeautifulSoup(html.split("</script>")[-1].strip(), "html")div = soup.find("div", {"id": "main"})div = soup.findAll("div", {"class":"blue-border panel list-group"})def f(x):    ignore_fields = ['Collapse all','Expand all']    output = list(filter(bool, map(str.strip, x.text.split("\n"))))    output = list(filter(lambda x: x not in ignore_fields, output))    return outputresults = pd.Series(list(map(f, div))[0])

Answer 1

继我上一条评论之后，下面的内容应该为您提供一个很好的起点。在查看 XHR 调用时，您只想查看每个调用发送和接收的数据，以查明您需要的数据。下面是进行搜索时发送到 API 的原始 POST 数据，看起来您需要至少使用一个并包含最后一个。

{

    "SearchCriteria.Name": "smith",

    "SearchCriteria.City": "",

    "SearchCriteria.State": "",

    "SearchCriteria.Zip": "",

    "SearchCriteria.Level": "",

    "SearchCriteria.LevelAssigner": "",

    "SearchCriteria.BedNumberRange": "",

    "X-Requested-With": "XMLHttpRequest"

}

这是一个简单的示例，说明如何使用 requests 库发送 post 请求，网页将回复原始数据，以便您可以使用 BS 或类似的方法来解析它以获取您需要的信息。

import requests

r = requests.post('https://search.aap.org/nicu/', 

data = {'SearchCriteria.Name':'smith', 'X-Requested-With':'XMLHttpRequest'}) #key:value

print(r.text)

印刷 <strong class="col-md-8 white-text">JOHN PETER SMITH HOSPITAL</strong>...

https://requests.readthedocs.io/en/master/user/quickstart/