如何用Python从含JS代码的网页文本中提取所有坐标值？

核心思路 #

坐标值本质是带小数的数值，通常成对出现（纬度、经度），可以直接用正则表达式匹配符合格式的数值，无需深入解析JavaScript语法结构。

具体实现步骤 #

假设你已经通过requests和BeautifulSoup获取到网页内容，接下来按以下步骤操作：

1. 提取所有JavaScript代码块 #

先把页面中所有<script>标签的内容提取出来：

import requests
from bs4 import BeautifulSoup
import re

# 你已有的网页抓取代码
target_url = "你的目标网页URL"
resp = requests.get(target_url)
soup = BeautifulSoup(resp.text, "html.parser")

# 提取所有非空的script标签内容
script_blocks = [block.string for block in soup.find_all("script") if block.string]

2. 正则匹配坐标数值 #

用正则匹配符合坐标格式的数值（支持正负号、整数+小数结构）：

# 匹配坐标的正则：可选负号 + 整数部分 + 小数点 + 小数部分
coord_regex = re.compile(r"-?\d+\.\d+")

# 收集所有匹配到的坐标
all_coordinates = []
for block in script_blocks:
    matches = coord_regex.findall(block)
    if matches:
        all_coordinates.extend(matches)

# 转换为浮点数（按需选择）
all_coordinates = [float(coord) for coord in all_coordinates]

3. 按需处理坐标对（可选） #

如果坐标是按「纬度,经度」成对出现的，可以把列表按每两个元素分组：

# 分组为(lat, lon)元组
coord_pairs = [(all_coordinates[i], all_coordinates[i+1]) for i in range(0, len(all_coordinates), 2)]

优化与过滤 #

如果页面中存在其他带小数的数值（如价格、距离）导致误匹配，可以通过坐标的合法范围过滤：

filtered_coords = []
for num in all_coordinates:
    # 纬度范围：-90~90，经度范围：-180~180
    if (-90 <= num <= 90) or (-180 <= num <= 180):
        filtered_coords.append(num)

注意：如果网页坐标被加密（如字符串拼接、Base64编码），需要先分析对应JavaScript代码的解码逻辑，再针对性处理。

内容的提问来源于stack exchange，提问作者Shemavi beat.