用于网页抓取的 Selenium 与 BeautifulSoup

Posted 2023-02-16

【中文标题】用于网页抓取的 Selenium 与 BeautifulSoup

【英文标题】：Selenium versus BeautifulSoup for web scraping

【发布时间】：2013-06-30 10:27:59

【问题描述】：

我正在使用 Python 从网站上抓取内容。首先，我在 Python 上使用了BeautifulSoup 和Mechanize，但我看到该网站有一个通过 javascript 创建内容的按钮，所以我决定使用Selenium。

鉴于我可以使用 Selenium 和 driver.find_element_by_xpath 之类的方法找到元素并获取它们的内容，那么当我可以将 Selenium 用于所有事情时，还有什么理由使用 BeautifulSoup？

在这种特殊情况下，我需要使用 Selenium 来单击 JavaScript 按钮，那么使用 Selenium 进行解析更好还是应该同时使用 Selenium 和 Beautiful Soup？

【问题讨论】：

我以前从未使用 Selenium 来解析 html，但 BeautifulSoup 相当健壮。也就是说，既然您已经将 Selenium 用于某事，为什么不将它用于两者，直到您知道为什么需要其他东西？

@crowder 是的，目前我正在使用 Selenium 做所有事情，但我之前使用过 BS，所以我想知道哪个是最好的。关于解析，我认为它有点相同，例如，对于 Selenium，我们有 driver.find_elements_by_class_name("...") 和 BS 我们有 soup.findAll('...', 'class' ：'....'）。我看到BS有点慢，你怎么看？

@elie：这真的是关于你想要达到的目标。 Selenium 被设计为 web ui 自动化工具，如果你只是想解析 html，那就有点大材小用了。如果您需要与页面进行某种交互，请使用 Selenium。

@user1177636 谢谢。目前我只是在解析 html 并模拟单击 javascript 按钮以获取所有源代码。也许之后我会在一些页面之间进行一些交互，但目前还不确定。因此，如果我只是在解析，您认为最好使用 BS 并仅将 Selenium 用于 javascript 按钮？

【参考方案1】：

在直接回答您的问题之前，值得先说一下：如果您需要做的只是从静态 HTML 页面中提取内容，您可能应该使用 HTTP 库（如 Requests 或内置的 @987654322 @) 与 lxml 或 BeautifulSoup，而不是 Selenium（尽管 Selenium 可能也足够了）。不用 Selenium 的好处：

运行脚本的带宽和时间。使用 Selenium 意味着获取在浏览器中访问页面时通常会获取的所有资源 - 样式表、脚本、图像等。这可能是不必要的。 稳定性和易于错误恢复。根据我的经验，Selenium 可能有点脆弱 - 即使使用 PhantomJS - 并且创建架构以杀死挂起的 Selenium 实例并创建一个新实例比在使用 requests 时设置简单的异常重试逻辑更令人恼火. 可能，CPU 和内存使用率 - 根据您正在抓取的站点以及您尝试并行运行的蜘蛛线程的数量，可以想象 DOM 布局逻辑或 JavaScript 执行可能会变得非常昂贵。李>

请注意，需要 cookie 才能运行的网站并不是破坏 Selenium 的理由 - 您可以轻松地创建一个 URL 打开函数，使用 cookielib/cookiejar 神奇地设置和发送带有 HTTP 请求的 cookie。

好的，那您为什么要考虑使用 Selenium？几乎完全可以处理您要抓取的内容通过 JavaScript 添加到页面的情况，而不是烘焙到 HTML 中。即使这样，您也可以在不破坏重型机器的情况下获得所需的数据。通常适用以下场景之一：

与页面一起提供的 JavaScript 已将内容烘焙到其中。 JavaScript 只是用来进行模板或其他将内容放入页面的 DOM 操作。在这种情况下，您可能想看看是否有一种简单的方法可以使用正则表达式直接从 JavaScript 中提取您感兴趣的内容。 JavaScript 正在使用 Web API 来加载内容。在这种情况下，请考虑您是否可以识别相关的 API URL 并自己点击它们；这可能比实际运行 JavaScript 和从网页上抓取内容更简单、更直接。

如果您确实确定您的情况值得使用 Selenium，请在无头模式下使用它，这由（至少）Firefox 和 Chrome 驱动程序支持。 Web 爬虫通常不需要实际以图形方式呈现页面，或使用任何特定于浏览器的怪癖或功能，因此无头浏览器 - 具有较低的 CPU 和内存成本以及更少的崩溃或挂起的移动部件 - 是理想的。

【参考方案2】：

我建议将 Selenium 用于诸如与网页交互之类的事情，无论是在成熟的浏览器中，还是在无头模式的浏览器中，例如无头 Chrome。我还想说，beautiful soup 更适合观察和编写依赖于是否找到元素或找到 WHAT 的语句，然后根据用户需要使用 selenium 执行与页面的交互任务。

【参考方案3】：

我使用 Selenium 进行网页抓取，但这不是 高兴 的解决方案。在我的上一个项目中，我使用了 https://github.com/chromedp/chromedp 。它比 Selenium 更简单。