从美丽的汤中提取href

Question

我正在尝试从Google搜索结果中提取链接。检查元素告诉我，我感兴趣的部分具有“ class = r”。第一个结果如下所示：

<h3 class="r" original_target="https://en.wikipedia.org/wiki/chocolate" style="display: inline-block;">
    <a href="https://en.wikipedia.org/wiki/Chocolate" 
       ping="/url?sa=t&amp;source=web&amp;rct=j&amp;url=https://en.wikipedia.org/wiki/Chocolate&amp;ved=0ahUKEwjW6tTC8LXZAhXDjpQKHSXSClIQFgheMAM" 
       saprocessedanchor="true">
        Chocolate - Wikipedia
    </a>
</h3>

要提取“ href”，我要做：

import bs4, requests
res = requests.get('https://www.google.com/search?q=chocolate')
googleSoup = bs4.BeautifulSoup(res.text, "html.parser")
elements= googleSoup.select(".r a")
elements[0].get("href")

但是我意外地得到：

'/url?q=https://en.wikipedia.org/wiki/Chocolate&sa=U&ved=0ahUKEwjHjrmc_7XZAhUME5QKHSOCAW8QFggWMAA&usg=AOvVaw03f1l4EU9fYd'

我想要的地方：

"https://en.wikipedia.org/wiki/Chocolate"

属性“ ping”似乎使它感到困惑。有任何想法吗？

Answer 1

发生了什么？

如果您打印响应内容（即googleSoup.text），则会看到您得到的HTML完全不同。页面源和响应内容不匹配。

因为内容是动态加载的，所以 不会 发生这种情况。即便如此，页面源和响应内容也是相同的。（但是您在检查元素时看到的HTML是不同的。）

对此的基本解释是Google可以识别Python脚本并更改其响应。

解：

您可以传递 假的 User-
Agent，
以使脚本看起来像真实的浏览器请求。

码：

headers = {'User-Agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_11_6) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/61.0.3163.100 Safari/537.36'}

r = requests.get('https://www.google.co.in/search?q=chocolate', headers=headers)
soup = BeautifulSoup(r.text, 'lxml')

elements = soup.select('.r a')
print(elements[0]['href'])

输出 ：

https://en.wikipedia.org/wiki/Chocolate