如何刮

百变鹏仔 3天前 #Python

抓取或网络抓取 是一种用于以自动方式从网站提取数据的技术。它包括使用程序或脚本导航网页、提取特定信息（例如文本、图像、产品价格等）并保存。

在这篇文章中，我将教我用来做

抓取的过程以及做这件事时要记住的要点。

就我而言，我将在 pccomponentes 中执行

scraping 来收集有关笔记本电脑的信息。这些数据将用于创建一个数据集，作为机器学习模型的基础，旨在根据指定的组件预测笔记本电脑的价格。

首先，需要确定脚本应该访问哪个 url 来执行

抓取：

在这种情况下，如果我们查看 pccomponentes url，我们可以看到它通过 url 传递了一个参数，我们可以使用该参数来指定我们要搜索的内容。

完成后，我们将看到搜索结果：

此后，我们将使用几乎所有浏览器都集成的开发者工具：

右键单击，然后选择“检查”选项，开发者工具将打开，我们将看到以下内容：

anchor类型的标签（），其中包含有关我们在搜索结果中看到的产品的大量信息。

如果我们查看以下区域，我们将看到几乎所有的产品数据：

准备好了！我们有从中提取数据的区域。现在是时候创建脚本来提取它们了。

但是我们遇到了一个问题：如果你直接访问pccomponentes，它总是要求我们接受cookie策略。因此，我们无法发出 get 请求并

抓取结果，因为我们不会得到任何东西。

因此，我们必须使用selenium来模拟浏览器并能够与其交互。

我们首先执行以下操作：

from selenium import webdriverfrom selenium.webdriver.firefox.options import optionsfrom selenium.webdriver.support.ui import webdriverwaitfrom selenium.webdriver.support import expected_conditions as ecfrom selenium.webdriver.common.by import byoptions = options()options.headless = true#abrimos el navegadordriver = webdriver.firefox(options=options)time.sleep(5)#vamos a la página indicada pccomponentes.com/laptopsdriver.get(url+str(i))#esperamos 30 segundos hasta que aparezca el botón de cookies y al aparecer hace clicaccept_cookies = webdriverwait(driver, 30).until(    ec.presence_of_element_located((by.id, 'cookiesacceptall')))     accept_cookies.click()#descargamos el htmlhtml = driver.page_source

完成后，在 html 变量中我们将获取页面的 html 代码来

scrape.

然而，我们遇到了另一个问题。当使用 selenium 打开浏览器并发出 2 或 3 个请求时，cloudflare 会限制请求并且不允许我们发出更多请求。因此，我们只能

抓取大约 3 个页面，这将是大约 20 台不同的计算机。不足以制作数据集。

我想到的一个解决方案是在本地下载页面并在本地使用 html。完成

抓取后，我们可以打开另一个浏览器（等待合理的时间）并下载以下浏览器。

所以我将上面的代码添加到一个函数中，并将其包装在

for 中，如下所示：

#función que se conecta a pccomponentes y guarda el html en local def guarda_datos_html(i=0):    try:        options = options()        options.headless = true        #abrimos el navegador        driver = webdriver.firefox(options=options)        time.sleep(5)        #vamos a la página indicada pccomponentes.com/laptops        driver.get(url+str(i))        #esperamos 30 segundos hasta que aparezca el botón de cookies y al aparecer hace clic        accept_cookies = webdriverwait(driver, 30).until(            ec.presence_of_element_located((by.id, 'cookiesacceptall'))        )        accept_cookies.click()        #descargamos el html        html = driver.page_source        #lo guardamos en local        with open(f'html/laptops_{i}.html','w',encoding="utf-8") as document:            document.write(html)        driver.close()    except:        print(f'error en página: {i}')for i in range(0,58):    guarda_datos_html(i)    time.sleep(30)

现在我们可以恢复 html 并使用它们。为此，我安装了

beautifulsoup，这是一个在scraping中经常使用的包。

由于之前的功能，我们将开发从我们下载的 html 中收集信息的功能。

函数看起来像这样：

# Función que abre el HTML guardado con anterioridad y filtra los datos# para guardarlos en un CSV ordenadosdef get_datos_html(i=0):    try:        with open(f'laptop_data_actual.csv','a') as ldata:            field = ['Company','Inches','Cpu','Ram','Gpu','OpSys','SSD','Price']            writer = csv.DictWriter(ldata, fieldnames=field)            with open(f'html/laptops_{i}.html','r',encoding="utf-8") as document:                html = BeautifulSoup(document.read(), 'html.parser')                products = html.find_all('a')                for element in products:                    pc = element.get('data-product-name')                    if pc:                        pc = pc.lower()                        marca = element.get('data-product-brand')                        price = element.get('data-product-price')                        pc_data = pc.split('/')                        cpu = pc_data[0].split(' ')                        cpu = buscar_cpu(cpu)                        gpu = buscar_gpu(pc_data)                        inches = '.'.join([s for s in re.findall(r'd+', pc_data[-1])])                        OpSys = bucar_opsys(pc_data, marca)                        row = {                            'Company': marca,                            'Inches': inches,                            'Cpu': cpu,                            'Ram': pc_data[1],                            'Gpu': gpu,                            'OpSys': OpSys,                            'SSD': pc_data[2],                            'Price': price                        }                        writer.writerow(row)    except:        print(f'Error en página: {i}')

基本上，我们打开 csv 文件，在其中保存信息，然后告诉 csv 我们希望它具有哪些字段，然后读取并使用 html。正如您所看到的，我必须执行一些额外的函数才能从我们想要保存在 csv 中的每个字段中提取必要的信息。

我在这里给你留下了完整的脚本，以防你想尝试一下！

pc组件刮板

文章推荐

如何刮

为什么Python编程是目前最具竞争优势的就业方向？

Python开发者的薪资水平：真相揭秘

使用元组字面值创建一个Python程序

Python开发者所需硬技能与软技能的平衡

你应该了解的10个Python内置函数