python urllib2-在抓取之前等待页面完成加载/重定向？

Question

我正在学习制作web scraper，并想为一个个人项目创建TripAdvisor，使用urllib2获取html。 但是，我遇到了一个问题，使用下面的代码，我返回的html不正确，因为页面似乎需要一秒钟来重定向（您可以通过访问url来验证这一点）-相反，我从最初短暂出现的页面获取代码。

在获取网站内容之前，是否需要设置一些行为或参数以确保页面已完全完成加载/重定向？

import urllib2
from bs4 import BeautifulSoup

bostonPage = urllib2.urlopen("http://www.tripadvisor.com/HACSearch?geo=34438#02,1342106684473,rad:S0,sponsors:ABEST_WESTERN,style:Szff_6")
soup = BeautifulSoup(bostonPage)
print soup.prettify()

编辑：答案是彻底的，但是，最终解决我问题的是： https://stackoverflow.com/a/3210737/1157283

Answer 1

在重新创建时，问题不是重定向，而是页面使用javascript修改内容，但是urllib2没有JS引擎，它只是GETS数据，如果在浏览器上禁用javascript，您会注意到它加载的内容与urllib2返回的内容基本相同

import urllib2
from BeautifulSoup import BeautifulSoup

bostonPage = urllib2.urlopen("http://www.tripadvisor.com/HACSearch?geo=34438#02,1342106684473,rad:S0,sponsors:ABEST_WESTERN,style:Szff_6")
soup = BeautifulSoup(bostonPage)
open('test.html', 'w').write(soup.read())

test.html并在浏览器中禁用JS，这在firefox内容中是最简单的->；取消选中“启用javascript”，将生成相同的结果集。

那么我们能做什么呢，首先我们应该检查一下网站是否提供了一个API，报废往往会让人皱眉 http://www.tripadvisor.com/help/what_type_of_tripadvisor_content_is_available

Travel/Hotel API's? 虽然有一些限制，但看起来他们可能会。

但是如果我们还需要用JS来擦掉它，那么我们可以使用seleniumhttp://seleniumhq.org/它主要用于测试，但是它很简单，而且有相当好的文档。

我还发现了这个Scraping websites with Javascript enabled?和这个http://grep.codeconsult.ch/2007/02/24/crowbar-scrape-javascript-generated-pages-via-gecko-and-rest/

希望能有所帮助。

作为旁注：

>>> import urllib2
>>> from bs4 import BeautifulSoup
>>> 
>>> bostonPage = urllib2.urlopen("http://www.tripadvisor.com/HACSearch?geo=34438#02,1342106684473,rad:S0,sponsors:ABEST_WESTERN,style:Szff_6")
>>> value = bostonPage.read()
>>> soup = BeautifulSoup(value)
>>> open('test.html', 'w').write(value)