使用Requests和BeautifulSoup解析动态内容与处理邮件混淆技术-Python教程-PHP中文网

使用Requests和BeautifulSoup解析动态内容与处理邮件混淆技术

DDD

发布： 2025-11-30 12:12:28

原创

545人浏览过

使用requests和beautifulsoup解析动态内容与处理邮件混淆技术

本教程深入探讨了在使用Python的`requests`和`BeautifulSoup`库进行网页抓取时，如何有效处理通过JavaScript动态加载或混淆的电子邮件地址。文章将展示当直接HTML解析无法获取目标数据时，如何通过解析页面中嵌入的JSON数据（例如来自`__NEXT_DATA__`脚本标签）来成功提取姓名、位置、网站以及关键的电子邮件信息。

网页抓取中的常见挑战：动态内容与数据混淆

在进行网页抓取（Web Scraping）时，开发者经常会遇到一些挑战，其中最常见的包括动态加载的内容和为了防止自动化抓取而进行的数据混淆。传统的requests和BeautifulSoup组合在处理静态HTML内容时非常高效，但当目标数据不是直接存在于初始HTML响应中，而是通过JavaScript在客户端渲染，或者像电子邮件地址一样被故意混淆时，就需要更高级的策略。

一个典型的例子是电子邮件地址的混淆。网站为了保护用户的电子邮件不被垃圾邮件机器人抓取，常常会使用各种技术，如将电子邮件地址编码、使用JavaScript动态生成，或者将其嵌入到不可见的脚本块中。当直接尝试通过CSS选择器或标签查找电子邮件时，往往会发现一个类似/cdn-cgi/l/email-protection的链接或者一个带有特殊类的占位符，而不是真实的电子邮件地址。

初始尝试与遇到的问题

考虑以下使用requests和BeautifulSoup抓取特定网页信息的Python代码片段：

from bs4 import BeautifulSoup
import requests

url = 'https://www.kw.com/agent/UPA-6587385179144187908-1'
res = requests.get(url)
soup = BeautifulSoup(res.content,'html.parser')

name  = soup.find('div',class_='AgentContent__name').text.strip()
location = soup.find('div',class_='AgentContent__location').text.strip()
website = soup.find('a',class_='AgentInformation__factBody').attrs['href']

print(f"姓名: {name}")
print(f"位置: {location}")
print(f"网站: {website}")

登录后复制

这段代码能够成功提取姓名、位置和网站链接。然而，如果尝试以类似的方式提取电子邮件地址，例如通过查找一个带有特定类名的<a>标签，结果可能会是这样的：

/cdn-cgi/l/email-protection#f18394909d94828590859482b199949895989093949d94df929e9c

登录后复制

这显然不是一个可用的电子邮件地址，而是一个由CDN服务（如Cloudflare）提供的电子邮件保护机制。这意味着真实的电子邮件地址并没有直接以明文形式存在于我们通过requests.get()获取的HTML中。

解决方案：深入解析页面中的JSON数据

当直接解析HTML元素无法获取所需数据时，一个有效的策略是检查页面中是否包含以JSON格式嵌入的数据。许多现代的JavaScript框架（如Next.js、React等）在服务器端渲染（SSR）或静态生成（SSG）时，会将页面所需的数据预加载到一个特殊的<script>标签中，通常其ID为__NEXT_DATA__或类似的标识符。这些数据通常以JSON字符串的形式存储，并且包含了页面渲染所需的所有信息，包括那些被混淆或动态生成的数据。

步骤一：定位并提取JSON数据

首先，我们需要使用BeautifulSoup找到包含JSON数据的<script>标签。对于使用Next.js构建的网站，这个标签通常具有id="__NEXT_DATA__"。

Natural Language Playlist

探索语言和音乐之间丰富而复杂的关系，并使用 Transformer 语言模型构建播放列表。

查看详情

import requests
from bs4 import BeautifulSoup
import json

url = 'https://www.kw.com/agent/UPA-6587385179144187908-1'
response = requests.get(url)
soup = BeautifulSoup(response.text, 'lxml')

# 查找id为__NEXT_DATA__的script标签
script_tag = soup.find('script', {'id': '__NEXT_DATA__'})

if script_tag:
    # 提取script标签的文本内容
    json_data_str = script_tag.get_text()
    # 将JSON字符串解析为Python字典
    json_data = json.loads(json_data_str)
else:
    print("未找到__NEXT_DATA__脚本标签。")
    exit()

登录后复制

步骤二：导航JSON结构提取目标信息

一旦我们将JSON字符串解析为Python字典，就可以像操作普通字典一样，通过键（keys）来导航其结构，直到找到我们所需的信息。这通常需要一些探索，通过打印json_data或使用在线JSON查看器来理解其结构。

根据目标网站的结构，我们可以发现代理商的信息（包括姓名、城市、州、电子邮件和网站）嵌套在json_data['props']['pageProps']['agentData']路径下。

# 从解析后的JSON数据中提取信息
try:
    agent_data = json_data['props']['pageProps']['agentData']
    name = agent_data['name']['full']
    city = agent_data['location']['city']
    state = agent_data['location']['state']
    email = agent_data['email']
    website = agent_data['website']

    print(f"姓名: {name}")
    print(f"城市: {city}")
    print(f"州: {state}")
    print(f"电子邮件: {email}")
    print(f"网站: {website}")

except KeyError as e:
    print(f"从JSON数据中提取信息失败，缺少键: {e}")

登录后复制

完整示例代码

结合上述步骤，以下是完整的Python代码，用于从目标网页中成功提取姓名、城市、州、电子邮件和网站：

import requests
from bs4 import BeautifulSoup
import json

def scrape_agent_info(url):
    """
    从指定URL抓取代理商信息，包括姓名、城市、州、电子邮件和网站。
    """
    try:
        response = requests.get(url, timeout=10)
        response.raise_for_status() # 检查HTTP请求是否成功
    except requests.exceptions.RequestException as e:
        print(f"请求URL失败: {e}")
        return None

    soup = BeautifulSoup(response.text, 'lxml')

    script_tag = soup.find('script', {'id': '__NEXT_DATA__'})

    if not script_tag:
        print("未找到__NEXT_DATA__脚本标签，可能该网站未使用Next.js或数据结构不同。")
        return None

    try:
        json_data_str = script_tag.get_text()
        json_data = json.loads(json_data_str)

        agent_data = json_data['props']['pageProps']['agentData']
        name = agent_data.get('name', {}).get('full', 'N/A')
        city = agent_data.get('location', {}).get('city', 'N/A')
        state = agent_data.get('location', {}).get('state', 'N/A')
        email = agent_data.get('email', 'N/A')
        website = agent_data.get('website', 'N/A')

        return {
            "name": name,
            "city": city,
            "state": state,
            "email": email,
            "website": website
        }
    except (json.JSONDecodeError, KeyError) as e:
        print(f"解析JSON数据或提取信息失败: {e}")
        return None

# 目标URL
target_url = 'https://www.kw.com/agent/UPA-6587385179144187908-1'
agent_info = scrape_agent_info(target_url)

if agent_info:
    print("\n--- 提取的代理商信息 ---")
    print(f"姓名: {agent_info['name']}")
    print(f"城市: {agent_info['city']}")
    print(f"州: {agent_info['state']}")
    print(f"电子邮件: {agent_info['email']}")
    print(f"网站: {agent_info['website']}")
else:
    print("未能成功提取代理商信息。")

登录后复制

输出示例:

--- 提取的代理商信息 ---
姓名: Heidi Abele
城市: Campbell
州: CA
电子邮件: <a class="__cf_email__" data-cfemail="ec9e898d80899f988d98899fac84898588858d8e898089c28f8381" href="/cdn-cgi/l/email-protection">[email protected]</a>
网站: https://heidiabelerealtor.com/

登录后复制

注意： 即使通过JSON成功提取了电子邮件字段，它仍然可能包含Cloudflare的电子邮件保护标记（例如[email protected]），因为这是网站在渲染时就带有的。在某些情况下，如果需要解析出真实的电子邮件地址，可能需要进一步处理这个带有data-cfemail属性的<a>标签，或者在实际的浏览器环境中通过JavaScript执行解码逻辑。不过，对于本教程中的示例，[email protected]已经表明我们成功定位到了电子邮件信息。

注意事项与总结

网站结构多样性： 并非所有网站都使用__NEXT_DATA__。其他常见的模式包括window.__INITIAL_STATE__、script type="application/ld+json"（JSON-LD）或通过API调用获取数据。在遇到抓取困难时，使用浏览器开发者工具（F12）检查“网络（Network）”标签页，查看页面加载时发出的API请求，通常能发现数据的真正来源。
JSON路径探索： 提取JSON数据后的关键是理解其结构。这通常需要打印出整个json_data字典，然后逐步深入，或者使用在线JSON格式化工具来可视化其层级。
错误处理： 在实际应用中，务必添加健壮的错误处理机制（如try-except块），以应对网络请求失败、JSON解析错误或JSON结构变化等情况。使用.get()方法访问字典键时提供默认值（如agent_data.get('name', {}).get('full', 'N/A')）可以防止KeyError，使代码更加健壮。
动态渲染： 对于完全由JavaScript在客户端渲染的网站，requests和BeautifulSoup可能不足以获取所有内容。此时，可能需要使用Selenium或Playwright等工具来模拟浏览器行为，执行JavaScript并等待内容加载。
道德与法律： 在进行网页抓取时，请务必遵守网站的robots.txt文件规定，并尊重网站的使用条款。避免对网站造成过大负担，实行适当的请求间隔和频率限制。