Javascript 如何从网页获取JS重定向pdf链接

我使用

请求

获取网页，例如如下所示

import requests
from bs4 import BeautifulSoup
url = "http://www.ofsted.gov.uk/inspection-reports/find-inspection-report/provider/CARE/EY298883"
r = requests.get(url)
soup = BeautifulSoup(r.text)

对于这些页面中的每一页，我都希望得到标题为“最新报告”的部分中指向的第一个pdf。你怎么能用漂亮的汤来做这个

HTML的相关部分是

 <tbody>
 <tr>
          <th scope="col">Latest reports</th>
          <th scope="col" class="date">Inspection <br/>date</th>
          <th scope="col" class="date">First<br/>publication<br/>date</th>
          </tr>
          <tr>
            <td><a href="/provider/files/1266031/urn/106428.pdf"><span class="icon pdf">pdf</span> Early years inspection report </a></td>
            <td class="date">12 Mar 2009</td>
            <td class="date">4 Apr 2009</td>
            </tr>        </tbody>

问题是

p

包含另一个网页，而不是它应该包含的pdf。有没有办法得到实际的pdf

---

更新：

---

让它与BeautifulSoup的另一个迭代一起工作

 souppage = BeautifulSoup(p.text)
 line = souppage.findAll('a',text=re.compile("requested"))[0]
 pdf = requests.get(ofstedbase+line['href'])

 souppage = BeautifulSoup(p.text)
 line = souppage.findAll('a',text=re.compile("requested"))[0]
 pdf = requests.get(ofstedbase+line['href'])

---

感谢您提供更好的解决方案。

这不是最干净的解决方案，但您可以反复浏览列标题，直到找到“最新报告”，然后在该表中搜索指向PDF文件的第一个链接

for col_header in soup.findAll('th'):
    if not col_header.contents[0] == "Latest reports": continue
    for link in col_header.parent.parent.findAll('a'):
        if 'href' in link.attrs and link['href'].endswith('pdf'): break
    else:
        print '"Latest reports" PDF not found'
        break
    print '"Latest reports" PDF points at', link['href']
    break

您可以尝试SeleniumWebDriver（

python-m“easy\u install”Selenium

）来自动指示Firefox下载该文件。这需要Firefox：

from selenium import webdriver
from bs4 import BeautifulSoup

profile = webdriver.FirefoxProfile()
profile.set_preference('browser.helperApps.neverAsk.saveToDisk', ('application/pdf'))
profile.set_preference("pdfjs.previousHandler.alwaysAskBeforeHandling", False)
profile.set_preference("browser.helperApps.alwaysAsk.force", False)
profile.set_preference("browser.download.manager.showWhenStarting", False)

driver = webdriver.Firefox(firefox_profile = profile)
base_url = "http://www.ofsted.gov.uk"
driver.get(base_url + "/inspection-reports/find-inspection-report/provider/CARE/EY298883")
soup = BeautifulSoup(driver.page_source)

for col_header in soup.findAll('th'):
    if not col_header.contents[0] == "Latest reports": continue
    for link in col_header.parent.parent.findAll('a'):
        if 'href' in link.attrs and link['href'].endswith('pdf'): break
    else:
        print '"Latest reports" PDF not found'
        break
    print '"Latest reports" PDF points at', link['href']
    driver.get(base_url + link['href'])

---

这个解决方案非常强大，因为它可以做任何人类用户可以做的事情，但它也有缺点。例如，我试图解决Firefox提示下载的问题，但这对我来说不起作用。根据您安装的插件和Firefox版本的不同，结果可能会有所不同。

让它与BeautifulSoup的另一次迭代一起工作

 souppage = BeautifulSoup(p.text)
 line = souppage.findAll('a',text=re.compile("requested"))[0]
 pdf = requests.get(ofstedbase+line['href'])

 souppage = BeautifulSoup(p.text)
 line = souppage.findAll('a',text=re.compile("requested"))[0]
 pdf = requests.get(ofstedbase+line['href'])

---

非常感谢。如果我真的想得到PDF，我想我需要完整的url，但这只给了我

/provider/files/1295389/urn/EY298883.PDF

。我是否只需要添加前缀

http://www.ofsted.gov.uk

？啊。。。遗憾的是，这并没有给我pdf格式。一定有更复杂的事情发生了，因为链接不是直接指向PDF，而是指向另一个页面，该页面随后提供PDF。尽管如此，我还是会看看有没有好办法下载它。谢谢。如果这很难，我将接受你的问题并单独提问。行

driver=webdriver.Firefox（Firefox\u profile=profile）

为我打开一个Firefox副本，然后脚本停止。