Как извлечь объект JSON, который был определен в блоке javascript HTML-страницы, используя Python?

Я загружаю HTML-страницы с данными, определенными в них следующим образом:

... <script type= "text/javascript">    window.blog.data = {"activity":{"type":"read"}}; </script> ...

Я хотел бы извлечь объект JSON, определенный в 'window.blog.data'. Есть ли более простой способ, чем разбор вручную? (Я ищу красивое мыло, но не могу найти способ, который вернет точный объект без разбора)

Спасибо

Edit: Было бы возможно и правильнее сделать это с помощью браузера без головок python (например, Ghost.py)?

ОТВЕТЫ

Ответ 1

BeautifulSoup - синтаксический анализатор html; вам также нужен парсер javascript. btw, некоторые литералы объектов javascript недействительны json (хотя в вашем примере литерал также является допустимым json-объектом).

В простых случаях вы могли:

  • извлечение <script> текста с использованием анализатора html
  • предположим, что window.blog... является одной строкой или в объекте нет ';' и извлекает литеральный объект javascript с помощью простых строковых манипуляций или регулярного выражения
  • предположим, что строка является допустимым json и анализирует ее с помощью модуля json

Пример:

#!/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'

Если предположения неверны, код не работает.

Чтобы смягчить второе предположение, вместо регулярного выражения можно использовать парсер javascript, например slimit (предложенный @approximatenumber):

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'

Нет необходимости обрабатывать литерал объекта (obj) как объект json. Чтобы получить необходимую информацию, obj можно рекурсивно посещать, как и другие узлы ast. Это позволило бы поддерживать произвольный код javascript (который может быть проанализирован slimit).

Ответ 2

Что-то вроде этого может работать:

import re

HTML = """ 
<html>
    <head>
    ...
    <script type= "text/javascript"> 
window.blog.data = {"activity":
    {"type":"read"}
    };
    ...
    </script> 
    </head>
    <body>
    ...
    </body>
    </html>
"""

JSON = re.compile('window.blog.data = ({.*?});', re.DOTALL)

matches = JSON.search(HTML)

print matches.group(1)

Ответ 3

У меня была аналогичная проблема, и в итоге я использовал селен с фантомами. Это немного взломанно, и я не мог понять правильное ожидание до тех пор, пока не будет метод, но неявное ожидание, похоже, работает до сих пор для меня.

from selenium import webdriver
import json
import re

url = "http..."
driver = webdriver.PhantomJS(service_args=['--load-images=no'])
driver.set_window_size(1120, 550)
driver.get(url)
driver.implicitly_wait(1)
script_text = re.search(r'window\.blog\.data\s*=.*<\/script>', driver.page_source).group(0)

# split text based on first equal sign and remove trailing script tag and semicolon
json_text = script_text.split('=',1)[1].rstrip('</script>').strip().rstrip(';').strip()
# only care about first piece of json
json_text = json_text.split("};")[0] + "}"
data = json.loads(json_text)

driver.quit()

`` `