Python 从HTML内容中获取社交网络信息

我正在做一项关于在互联网上处理新闻文本的研究。因此，我正在编写一个程序，通过新闻url在数据库中获取和存储新闻

例如，这是一个随机（西班牙新闻网站）。因此，我使用

beautifulsou

获取HTML内容，经过一点简单的过程，我得到了新闻标题、摘要、内容、类别和更多关于新闻的信息

但是，正如我在示例中使用的新闻中所看到的，还有一些“社交网络”信息（新闻图像的右侧）：

• 推荐数量（facebook）
• 推文数量（twitter）
• +1的数量（谷歌+）

我也想获得这些信息，所以我试图处理来自该部分的HTML内容，但它不在那里！这就是我所做的：

>>> import urllib
>>> from BeautifulSoup import BeautifulSoup as Soup
>>> news = urllib.urlopen('http://elcomercio.pe/mundo/1396187/noticia-horror-eeuu-cinco-ninos-muertos-deja-tiroteo-escuela-religiosa')
>>> soup = Soup(news.read())
>>> sociales = soup.findAll('ul', {'class': 'sociales'})[0].findAll('li')
>>> len(sociales)
3

这是Facebook部分的HTML内容：

>>> sociales[0] # facebook
<li class="top">
<div class="fb-plg">
<div id="fb-root"></div>
<script>(function(d, s, id) {
  var js, fjs = d.getElementsByTagName(s)[0];
  if (d.getElementById(id)) {return;}
  js = d.createElement(s); js.id = id;
  js.src = "//connect.facebook.net/en_US/all.js#xfbml=1&appId=224939367568467";
  fjs.parentNode.insertBefore(js, fjs);
}(document, 'script', 'facebook-jssdk'));</script>
<div class="fb-like" data-href="http://elcomercio.pe/noticia/1396187/horror-eeuu-cinco-ninos-muertos-deja-tiroteo-escuela-religiosa" data-send="false" data-layout="box_count" data-width="70" data-show-faces="false" data-action="recommend"></div></div></li>

社交网站[0]#facebook

（功能（d、s、id）{ var js，fjs=d.getElementsByTagName[0]； if（d.getElementById（id））{return；} js=d.createElement；js.id=id； js.src=“//connect.facebook.net/en_US/all.js#xfml=1&appId=224939367568467”； fjs.parentNode.insertBefore（js，fjs）； }（文档“脚本”、“facebook jssdk”）；

推特部分：

>>> sociales[1] # twitter
<li><a href="https://twitter.com/share" class="twitter-share-button" data-count="vertical" data-via="elcomercio" data-lang="es">Tweet</a><script type="text/javascript" src="//platform.twitter.com/widgets.js"></script></li>

社交网站[1]#推特

谷歌+部分：

>>> sociales[2] # google+
<li><script type="text/javascript" src="https://apis.google.com/js/plusone.js">
  {lang: 'es'}
</script><g:plusone size="tall"></g:plusone></li>

社交网站[2]#谷歌+

{lang:'es'}

正如您所看到的，我要查找的信息没有包含在HTML内容中，我猜它是通过某种API通过这些链接获得的

因此，我的问题是：我是否可以从某条新闻的HTML内容中获得我正在寻找的信息（facebook推荐数量、推文数量、+1数量）？

您使用的客户端（urllib）不会执行任何javascript，大多数社交插件都使用javascript来显示您想要的数据

---

您需要的是一个能够运行javascipt的客户端，这是一个不错的选择，而且。

这是我的解决方案。我之所以发布它，是因为也许有一天有人也会有同样的问题。我遵循@Hoff的建议，使用了

phantomjs

因此，首先我安装了它（Linux、Windows或MacOS都不重要）。您只需能够在提示符/控制台中将其作为命令运行，如：

phantomjs file.js

这是幻影

然后，我制作了一个简单的脚本，它接收一个url并返回一个对象（在执行所有javascript之后）：

就这样

PS:我只在Linux上测试过，所以如果你们中的任何人在Windows和/或MacOS上尝试过，请分享你们的“体验”。谢谢：）

PS 2:我也在Windows上测试过，效果非常好

---

我也在我的：）中发布了这个消息。

有phantomjs python模块吗？以前有PyPhantomJs，但现在已经停止了，对于简单的用例，您可以简单地使用子流程来运行phantomjs linux命令

import os
import os.path
import hashlib
import subprocess
from BeautifulSoup import BeautifulSoup

PHANTOM_DIR = os.path.join(os.getcwd(), 'phantom')

try:
    os.stat(PHANTOM_DIR)
except OSError:
    os.mkdir(PHANTOM_DIR)

PHANTOM_TEMPLATE = """var page = require('webpage').create();  
page.open('%(url)s', function (status) {
    if (status !== 'success') {
        console.log('Unable to access network');
    } else {
        var p = page.evaluate(function () {
            return document.getElementsByTagName('html')[0].innerHTML
        });
        console.log(p);
    }
    phantom.exit();
});"""

def get_executed_soup(url):
    """ Returns a BeautifulSoup object with the parsed HTML of the url
        passed, after executing all the scripts in it. """
    file_id = hashlib.md5(url).hexdigest()
    PHANTOM_ABS_PATH = os.path.join(PHANTOM_DIR, 'phantom%s.js' % file_id)
    OUTPUT_ABS_PATH = os.path.join(PHANTOM_DIR, 'output%s.html' % file_id)
    phantom = open(PHANTOM_ABS_PATH, 'w')
    phantom.write(PHANTOM_TEMPLATE % {'url': url})
    phantom.close()
    cmd = 'phantomjs ' + PHANTOM_ABS_PATH + ' > ' + OUTPUT_ABS_PATH
    stdout, stderr = subprocess.Popen(cmd, shell=True).communicate()
    output = open(OUTPUT_ABS_PATH, 'r')
    soup = BeautifulSoup(output.read())
    output.close()
    os.remove(PHANTOM_ABS_PATH)
    os.remove(OUTPUT_ABS_PATH)
    return soup