Python get 请求返回与查看源代码不同的 HTML

我正在尝试从我们自己的 URL 存档中提取同人小说，以便使用 NLTK 库对其进行一些语言分析。然而，每次从 URL 中抓取 HTML 的尝试都会返回除同人小说（以及我不需要的评论表单）之外的所有内容。

首先我尝试使用内置的 urllib 库（和 BeautifulSoup）：

import urllib
from bs4 import BeautifulSoup    
html = request.urlopen("http://archiveofourown.org/works/6846694").read()
soup = BeautifulSoup(html,"html.parser")
soup.prettify()

然后我发现了 Requests 库，以及用户代理如何成为问题的一部分，所以我尝试了同样的结果：

import requests
headers = {
        'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/46.0.2490.80 Safari/537.36',
        'Content-Type': 'text/html',
}
requests.get("http://archiveofourown.org/works/6846694",headers=headers,timeout=5).text

然后我发现了 Selenium 和 PhantomJS，所以我安装了它们并再次尝试 - 同样的结果：

from selenium import webdriver
from bs4 import BeautifulSoup
browser = webdriver.PhantomJS()
browser.get("http://archiveofourown.org/works/6846694")
soup = BeautifulSoup(browser.page_source, "html.parser")
soup.prettify()

我在这些尝试中是否做错了什么，或者这是服务器的问题？

如果您需要包含执行的所有 JavaScript 和发出的异步请求的完整页面源，最后一种方法是朝着正确方向迈出的一步。你只是错过了一件事——你需要给 PhantomJS 时间 http://selenium-python.readthedocs.io/waits.html#explicit-waits在阅读源代码之前加载页面（有意双关）。

并且，您还需要单击“继续”以表示您同意查看成人内容：

from bs4 import BeautifulSoup

from selenium import webdriver
from selenium.webdriver.common.by import By
from selenium.webdriver.support.ui import WebDriverWait
from selenium.webdriver.support import expected_conditions as EC


driver = webdriver.PhantomJS()
driver.get("http://archiveofourown.org/works/6846694")

wait = WebDriverWait(driver, 10)

# click proceed
proceed = wait.until(EC.presence_of_element_located((By.LINK_TEXT, "Proceed")))
proceed.click()

# wait for the content to be present
wait.until(EC.presence_of_element_located((By.ID, "workskin")))

soup = BeautifulSoup(driver.page_source, "html.parser")
soup.prettify()