javascriptによってレンダリングされたこのコンテンツを抽出する方法は？

Question

javascriptによってレンダリングされるこのURLrequests_htmlの要素を抽出するために使用しています。<div id="TranslationsHead">...</div><span id="LangBar"> ... </span>

from requests_html import HTMLSession
session = HTMLSession()
from bs4 import BeautifulSoup

url = 'https://www.thefreedictionary.com/love'
headers = {'User-Agent': 'Mozilla/5.0 (X11; Ubuntu; Linux x86_64; rv:78.0) Gecko/20100101 Firefox/78.0'}

r = session.get(url, headers = headers)
soup = BeautifulSoup(r.content, 'html.parser')


soup.select_one('#TranslationsHead')

その結果は<div id="TranslationsHead"><span id="TranslationsTitle">Translations</span></div>です。悲しいことに、それはまだキャプチャしません<span id="LangBar"> ... </span>。

そのようなコンテンツをキャプチャする方法について詳しく教えてください。

手伝ってくれてどうもありがとう！

Answer 1

r.html.render()JavaScriptでページをレンダリングするには、を呼び出す必要があります。

from requests_html import HTMLSession

url = 'https://www.thefreedictionary.com/love'
session = HTMLSession()
r = session.get(url)
r.html.render()
lang_bar = r.html.find('#LangBar', first=True)
print(lang_bar.html)

出力をきれいにしたい場合は、BeautifulSoupをインポートして使用します。

soup = BeautifulSoup(lang_bar.html, 'html.parser')
print(soup.prettify())

言語が必要な場合：

for lcd in lang_bar.find('div.lcd'):
    print(lcd.text)

出力：

Afrikaans / Afrikaans
Arabic / العربية
Bulgarian / Български
Chinese Simplified / 中文简体
Chinese Traditional / 中文繁體
Croatian / Hrvatski
Czech / Česky
Danish / Dansk
Dutch / Nederlands
Esperanto / Esperanto
Estonian / eesti keel
Farsi / فارسی
Finnish / Suomi
etc

すべての翻訳を取得したい場合esは、メモがデフォルトです。

from requests_html import HTMLSession

url = 'https://www.thefreedictionary.com/love'
session = HTMLSession()
r = session.get(url)
r.html.render()
for span in r.html.find('span.trans'):
    print(span, span.text)

出力：

<Element 'span' class=('trans',) lang='af' style='display: none;'> liefde
<Element 'span' class=('trans',) lang='ar' style='display: none;'> حُب
<Element 'span' class=('trans',) lang='bg' style='display: none;'> любов
<Element 'span' class=('trans',) lang='br' style='display: none;'> amor
<Element 'span' class=('trans',) lang='cs' style='display: none;'> láska
<Element 'span' class=('trans',) lang='de' style='display: none;'> die Liebe
<Element 'span' class=('trans',) lang='da' style='display: none;'> kærlighed
<Element 'span' class=('trans',) lang='el' style='display: none;'> αγάπη
<Element 'span' class=('trans',) lang='es' style='display: inline;'> amor

1つの言語のクリックをシミュレートして結果を表示する場合は、次のようにします。

from requests_html import HTMLSession

url = 'https://www.thefreedictionary.com/love'
session = HTMLSession()
r = session.get(url)
script = """
 () => {
              if ( document.readyState === "complete" ) {
                   document.getElementsByClassName("fl_ko")[0].click();
              }
        }
         """
r.html.render(script=script, timeout=10, sleep=2)
for span in r.html.find('span.trans[style="display: inline;"]'):
    print(span, span.text)

出力：

<Element 'span' class=('trans',) lang='ko' style='display: inline;'> 애정
<Element 'span' class=('trans',) lang='ko' style='display: inline;'> 연애
<Element 'span' class=('trans',) lang='ko' style='display: inline;'> 사랑하는 사람
<Element 'span' class=('trans',) lang='ko' style='display: inline;'> (테니스) 영점
<Element 'span' class=('trans',) lang='ko' style='display: inline;'> 사랑하다

コメントに応じて更新

Jupyter、Spyderなどは内部でイベントループを使用し、request-htmlはloop.run_until_completeを呼び出します。これにより、ループがすでに実行されているときにその例外が発生します。AsyncHTMLSessionを使用してみましたか？

from requests_html import AsyncHTMLSession

url = 'https://www.thefreedictionary.com/love'

asession = AsyncHTMLSession()

async def get_results():
    r = await asession.get(url)
    await r.html.arender()
    return r

r = asession.run(get_results)
lang_bar = r[0].html.find('#LangBar', first=True)
print(lang_bar.html)

または：

from requests_html import AsyncHTMLSession

url = 'https://www.thefreedictionary.com/love'

asession = AsyncHTMLSession()
script = """
 () => {
              if ( document.readyState === "complete" ) {
                   document.getElementsByClassName("fl_ko")[0].click();
              }
        }
         """


async def get_results():
    r = await asession.get(url)
    await r.html.arender(script=script, timeout=10, sleep=2)
    return r

r = asession.run(get_results)
for span in r[0].html.find('span.trans[style="display: inline;"]'):
    print(span, span.text)

Answer 2

from bs4 import BeautifulSoup
from requests_html import HTMLSession

url = 'https://www.thefreedictionary.com/love'
headers = {'User-Agent': 'Mozilla/5.0 (X11; Ubuntu; Linux x86_64; rv:78.0) Gecko/20100101 Firefox/78.0'}

session = HTMLSession()

resp = session.get(url, headers = headers)
resp.html.render()

soup = bs(resp.html.html, "lxml")
soup.find("div", {"id": "TranslationsHead"})