BeautifulSoup 是一个 html 解析器;您还需要一个 javascript 解析器。顺便说一句,一些javascript对象文字不是有效的json(尽管在您的示例中文字也是有效的json对象)。
在简单的情况下,您可以:
<script>
使用 html 解析器提取的文本
- 假设它
window.blog...
是单行或';'
对象内部没有,并使用简单的字符串操作或正则表达式提取 javascript 对象文字
- 假设字符串是一个有效的 json 并使用 json 模块解析它
例子:
#!/usr/bin/env python
html = """<!doctype html>
<title>extract javascript object as json</title>
<script>
// ..
window.blog.data = {"activity":{"type":"read"}};
// ..
</script>
<p>some other html here
"""
import json
import re
from bs4 import BeautifulSoup # $ pip install beautifulsoup4
soup = BeautifulSoup(html)
script = soup.find('script', text=re.compile('window\.blog\.data'))
json_text = re.search(r'^\s*window\.blog\.data\s*=\s*({.*?})\s*;\s*$',
script.string, flags=re.DOTALL | re.MULTILINE).group(1)
data = json.loads(json_text)
assert data['activity']['type'] == 'read'
如果假设不正确,则代码将失败。
为了放宽第二个假设,可以使用 javascript 解析器代替正则表达式,例如slimit
(@approximatenumber 建议):
from slimit import ast # $ pip install slimit
from slimit.parser import Parser as JavascriptParser
from slimit.visitors import nodevisitor
soup = BeautifulSoup(html, 'html.parser')
tree = JavascriptParser().parse(soup.script.string)
obj = next(node.right for node in nodevisitor.visit(tree)
if (isinstance(node, ast.Assign) and
node.left.to_ecma() == 'window.blog.data'))
# HACK: easy way to parse the javascript object literal
data = json.loads(obj.to_ecma()) # NOTE: json format may be slightly different
assert data['activity']['type'] == 'read'
无需将对象文字 ( obj
) 视为 json 对象。要获取必要的信息,obj
可以像其他 ast 节点一样递归访问。它将允许支持任意 javascript 代码(可以通过 解析slimit
)。