Python+Selenium+PhantomJs爬虫 怎么抓取弹出新标签页的内容

Posted 2023-03-29

参考技术A 在工程中新建一个Python Package（包），右键点击src, New>PydevPackage，选择源文件路径及输入包名： 在_init_.py，输入print (“Hello World”),按F9即可看到输出结果，说明开发环境安装成功！本回答被提问者采纳

使用 Python/PhantomJS/Selenium 滚动无限页面

【中文标题】使用 Python/PhantomJS/Selenium 滚动无限页面

【英文标题】：Scrolling infinite page with Python/PhantomJS/Selenium

【发布时间】：2018-05-29 15:50:41

【问题描述】：

我正在尝试抓取这个（无限）页面（www.mydealz.de），但我无法让我的网络驱动程序向下滚动页面。 我使用 Python (3.5)、Selenium (3.6) 和 PhantomJS。 我已经尝试了几种方法，但 webdriver 只是不会滚动 - 它只是给了我第一页。

第一种方法（通常的滚动方法）：

last_height = driver.execute_script("return document.body.scrollHeight")
while True:
  driver.execute_script("window.scrollTo(0, document.body.scrollHeight);")
  time.sleep(1)
  new_height = driver.execute_script("return document.body.scrollHeight")
  if new_height == last_height:
       break
  last_height = new_height

第二种方法（只需按几次向下键并释放它，也尝试在两次按下之间等待）：

ActionChains(driver).key_down(Keys.ARROW_DOWN).perform()
ActionChains(driver).key_up(Keys.ARROW_DOWN).perform()

第三种方法（找到“滚动列表”中的最后一个元素并滚动到其视图以强制滚动）：

posts = driver.find_elements_by_css_selector("div.threadGrid")
driver.execute_script("arguments[0].scrollIntoView();", posts[-1])

到目前为止没有任何效果，有人知道是否有其他方法或我在哪里出错了吗？

【问题讨论】：

你有关于页面有多少总数据的信息吗？

你想要多少卷轴？或者你想收集多少元素？你想什么时候停止滚动？而是要在哪里停止滚动？

@DebanjanB 基本上我想滚动直到网址为mydealz.de/?page=3

【参考方案1】：

要滚动网页直到the url is mydealz.de/?page=3，您可以使用以下代码块：

from selenium import webdriver

driver = webdriver.PhantomJS(executable_path=r'C:\\Utility\\phantomjs-2.1.1-windows\\bin\\phantomjs.exe')
driver.set_window_size(1400,1000)
driver.get("https://www.mydealz.de")
while ("3" not in driver.current_url) :
    driver.execute_script("window.scrollTo(0, document.body.scrollHeight);")
print(driver.current_url)
driver.quit()

控制台输出：

https://www.mydealz.de/?page=3

【讨论】：

谢谢，它就像一个魅力！不过我有一个问题：我也使用了行 driver.execute_script() 。但它没有用。这里成功的关键是设置窗口大小吗？

【参考方案2】：

我可以在提到的网站上看到 1853 个页面。所以你可以迭代一个循环，直到你到达最后一页。睡眠时间必须高于平均水平才能加载每个页面，尝试最小为 3，值越大，不加载数据的可能性越小。

number_of_scroll = 1857

while number_of_scroll > 0:
    browser.execute_script("window.scrollTo(0, document.body.scrollHeight);")
    time.sleep(3)
    number_of_scroll = number_of_scroll-1

【参考方案3】：

比使用 Selenium/PhantomJS 更简单的方法是模仿浏览器的功能。如果您在 Chrome 的开发者工具中打开“网络”选项卡，您会看到浏览器向https://www.mydealz.de/?page=2&ajax=true 发出请求以实现无限滚动。当我将请求复制为 curl 时，将其限制在它引导我的最小值

curl 'https://www.mydealz.de/?page=2&ajax=true' -H 'x-requested-with: XMLHttpRequest'

把它变成一个python脚本：

import json, requests

url = 'http://www.mydealz.de/'
headers = 'x-requested-with': 'XMLHttpRequest'

for page in range(10):
    params = dict(page=page, ajax='true')
    resp = requests.get(url=url, params=params, headers=headers)
    data = json.loads(resp.text)
    html = data['data']['content']
    # do something with html, maybe parse it with beautifulsoup

除了更简单的代码之外，它也会更快。