PHP前端开发

使用“加载更多”按钮抓取无限滚动页面:分步指南

百变鹏仔 2个月前 (01-14) #Python
文章标签 按钮

应对动态网页加载数据的挑战:自动化“加载更多”按钮的网页抓取

您的网页抓取工具是否在尝试从动态网页加载数据时卡住了?那些恼人的“加载更多”按钮让您抓狂吗?别担心,您并非孤身一人!许多网站如今都使用这些设计来提升用户体验,但这对网络抓取工具来说却是个挑战。

本教程将指导您完成一个针对初学者的循序渐进练习,使用“加载更多”按钮抓取一个演示页面。目标网页如下所示:

通过本教程,您将学习如何:

让我们开始吧!

步骤一:准备工作

开始之前,请确保您已完成以下准备工作:

所需的库:

您可以使用以下命令在终端中安装这些库:

pip install requests beautifulsoup4 selenium

在使用Selenium之前,您必须安装与您的浏览器匹配的WebDriver。在本教程中,我们将使用Google Chrome和ChromeDriver。但是,您可以对Firefox或Edge等其他浏览器执行类似的步骤。

安装WebDriver

  1. 检查您的浏览器版本: 打开Google Chrome,从三点菜单导航到帮助 > 关于Google Chrome以查找Chrome版本。
  2. 下载ChromeDriver: 访问ChromeDriver下载页面。
  3. 下载与您的Chrome版本匹配的驱动程序版本。
  4. 将ChromeDriver添加到您的系统路径: 解压下载的文件,并将其放置在/usr/local/bin(Mac/Linux)或C:WindowsSystem32(Windows)等目录中。

验证安装

在您的项目目录中创建一个名为scraper.py的Python文件,并运行以下代码片段来测试您的设置是否正确:

from selenium import webdriverdriver = webdriver.Chrome()  # 确保ChromeDriver已安装并位于路径中driver.get("https://www.scrapingcourse.com/button-click")print(driver.title)driver.quit()

您可以通过在终端中运行以下命令来执行上述文件代码:

python scraper.py

如果上述代码运行没有错误,它将启动浏览器窗口并打开演示页面的URL,如下所示:

Selenium随后将提取HTML并打印页面标题。您将看到类似这样的输出:

Load More Button Challenge to Learn Web Scraping - ScrapingCourse.com

这将验证Selenium是否可以正常工作。安装所有必需的组件并准备好后,您可以开始访问演示页面的内容。

步骤二:访问内容

第一步是获取页面的初始内容,这将为您提供页面HTML的基线快照。这有助于您验证连接并确保抓取过程的有效起点。

您可以通过使用Python中的requests库发送GET请求来检索页面URL的HTML内容。代码如下:

import requests# 演示页面的URL,包含产品信息url = "https://www.scrapingcourse.com/button-click"# 发送GET请求到URLresponse = requests.get(url)# 检查请求是否成功if response.status_code == 200:    html_content = response.text    print(html_content)  # 可选:预览HTMLelse:    print(f"未能检索内容:{response.status_code}")

上述代码将输出包含前12个产品数据的原始HTML。

快速预览HTML可以确保请求成功,并且您正在使用有效的数据。

步骤三:加载更多产品

要访问其余的产品,您需要以编程方式点击页面上的“加载更多”按钮,直到没有更多产品可用为止。由于此交互涉及JavaScript,因此您将使用Selenium来模拟按钮点击。

在编写代码之前,让我们检查页面以定位:

通过加载更多产品,您可以获得所有产品,运行以下代码将为您提供更大的数据集:

from selenium import webdriverfrom selenium.webdriver.common.by import Byimport time# 设置WebDriver(确保您已安装相应的驱动程序,例如ChromeDriver)driver = webdriver.Chrome()# 打开页面driver.get("https://www.scrapingcourse.com/button-click")# 循环点击“加载更多”按钮,直到没有更多产品while True:    try:        # 通过其ID查找“加载更多”按钮并点击它        load_more_button = driver.find_element(By.ID, "load-more-btn")        load_more_button.click()        # 等待内容加载(根据需要调整时间)        time.sleep(2)    except Exception as e:        # 如果找不到“加载更多”按钮(产品结束),则跳出循环        print("没有更多产品可加载。")        break# 获取加载所有产品后的更新页面内容html_content = driver.page_source# 关闭浏览器窗口driver.quit()

这段代码打开浏览器,导航到页面,并与“加载更多”按钮进行交互。然后它提取更新后的HTML(现在包含更多产品数据)。

如果您不希望Selenium每次运行此代码时都打开浏览器,它还提供了headless(无头)浏览器功能。headless浏览器具有实际web浏览器的所有功能,但没有图形用户界面(GUI)。

您可以通过定义ChromeOptions对象并将其传递给webdriver.Chrome构造函数来在Selenium中启用Chrome的headless模式,如下所示:

from selenium import webdriverfrom selenium.webdriver.common.by import Byimport time# 实例化一个ChromeOptions对象options = webdriver.ChromeOptions()# 将选项设置为headless模式options.add_argument("--headless=new")# 以headless模式初始化Chrome驱动程序实例driver = webdriver.Chrome(options=options)...

当您运行上述代码时,Selenium将启动一个headless Chrome实例,因此您将不再看到Chrome窗口。这对于在服务器上运行抓取脚本,并且不想在GUI上浪费资源的生产环境来说是理想的选择。

现在已经检索到完整的HTML内容,是时候提取每个产品的具体详细信息了。

步骤四:解析产品信息

在此步骤中,您将使用Beautiful Soup解析HTML并识别产品元素。然后,您将提取每个产品的关键详细信息,例如名称、价格和链接。

from bs4 import BeautifulSoup# 使用Beautiful Soup解析页面内容soup = BeautifulSoup(html_content, 'html.parser')# 提取产品详细信息products = []# 查找网格中的所有产品项目product_items = soup.find_all('div', class_='product-item')for product in product_items:    # 提取产品名称    name = product.find('span', class_='product-name').get_text(strip=True)    # 提取产品价格    price = product.find('span', class_='product-price').get_text(strip=True)    # 提取产品链接    link = product.find('a')['href']    # 提取图片URL    image_url = product.find('img')['src']    # 创建一个包含产品详细信息的字典    products.append({        'name': name,        'price': price,        'link': link,        'image_url': image_url    })# 打印提取的产品详细信息for product in products[:2]:    print(f"名称:{product['name']}")    print(f"价格:{product['price']}")    print(f"链接:{product['link']}")    print(f"图片URL:{product['image_url']}")    print('-' * 30)

在输出中,您应该看到产品详细信息的结构化列表,包括名称、图片URL、价格和产品页面链接,如下所示:

名称:Chaz Kangeroo Hoodie价格:$52链接:https://scrapingcourse.com/ecommerce/product/chaz-kangeroo-hoodie图片URL:https://scrapingcourse.com/ecommerce/wp-content/uploads/2024/03/mh01-gray_main.jpg------------------------------名称:Teton Pullover Hoodie价格:$70链接:https://scrapingcourse.com/ecommerce/product/teton-pullover-hoodie图片URL:https://scrapingcourse.com/ecommerce/wp-content/uploads/2024/03/mh02-black_main.jpg------------------------------…

上述代码将原始HTML数据组织成结构化格式,使其更容易使用和准备输出数据以进行进一步处理。

步骤五:将产品信息导出到CSV

现在,您可以将提取的数据组织到CSV文件中,这使得分析或共享变得更加容易。Python的csv模块对此有所帮助。

import csv# 将产品信息写入CSV文件with open("products.csv", mode="w", newline="") as file:    writer = csv.DictWriter(file, fieldnames=["name", "image_url", "price", "link"])    writer.writeheader()    for product in products:        writer.writerow(product)

上述代码将创建一个新的CSV文件,其中包含所有必需的产品详细信息。

步骤六:获取热门产品的额外数据

现在,假设您想识别价格最高的前5个产品,并从其各个页面中提取其他数据(例如产品描述和SKU代码)。您可以使用以下代码来做到这一点:

# 按价格降序排列产品sorted_products = sorted(products, key=lambda x: float(x['price'].replace('$', '')), reverse=True)# 抓取前5个产品的额外详细信息driver = webdriver.Chrome()for product in sorted_products[:5]:    driver.get(product['link'])    time.sleep(3)    soup = BeautifulSoup(driver.page_source, 'html.parser')    description = soup.find('div', class_='product-description')    product['description'] = description.get_text(strip=True) if description else "无描述"    sku = soup.find('span', class_='sku')    product['sku'] = sku.get_text(strip=True) if sku else "无SKU"driver.quit()# 将包含额外数据的产品信息写入CSV文件with open("products.csv", mode="w", newline="") as file:    writer = csv.DictWriter(file, fieldnames=["name", "image_url", "price", "link", "description", "sku"])    writer.writeheader()    for product in products:        writer.writerow({            'name': product['name'],            'image_url': product['image_url'],            'price': product['price'],            'link': product['link'],            'description': product.get('description', ''),            'sku': product.get('sku', '')        })

这段代码按价格降序对产品进行排序。然后,对于价格最高的前5个产品,脚本打开其产品页面并使用Beautiful Soup提取产品描述和SKU。

结论

使用无限滚动或“加载更多”按钮抓取页面看起来具有挑战性,但使用requests、Selenium和Beautiful Soup等工具可以简化这个过程。

本教程展示了如何从演示页面检索和处理产品数据,并将其保存为结构化格式以便快速轻松地访问。