使用 Selenium 时不完整的 BeautifulSoup 刮擦

Posted 2023-02-23

【中文标题】使用 Selenium 时不完整的 BeautifulSoup 刮擦

【英文标题】：Incomplete BeautifulSoup scrape while using Selenium

【发布时间】：2019-09-28 19:16:44

【问题描述】：

我正在尝试抓取 Backcountry.com 的评论部分。该站点使用动态加载更多部分，即当您想要加载更多评论时，网址不会改变。我正在使用 Selenium webdriver 与加载更多评论的按钮和 BeautifulSoup 进行交互以抓取评论。

我能够成功地与加载更多按钮交互并加载所有可用评论。在您尝试加载更多按钮之前，我还能够抓取出现的初始评论。

总结：我可以与加载更多按钮交互，我可以抓取可用的初始评论，但我无法在加载所有评论后抓取所有可用评论。

我已尝试更改 html 标记，看看是否会有所不同。我试图增加睡眠时间，以防刮板没有足够的时间来完成它的工作。

# URL and Request code for BeautifulSoup

url_filter_bc = 'https://www.backcountry.com/msr-miniworks-ex-ceramic-water-filter?skid=CAS0479-CE-ONSI&ti=U2VhcmNoIFJlc3VsdHM6bXNyOjE6MTE6bXNy'
res_filter_bc = requests.get(url_filter_bc, headers = 'User-agent' : 'notbot')


# Function that scrapes the reivews

def scrape_bc(request, website):
    newlist = []
    soup = BeautifulSoup(request.content, 'lxml')
    newsoup = soup.find('div', 'id': 'the-wall')
    reviews = newsoup.find('section', 'id': 'wall-content')

    for row in reviews.find_all('section', 'class': 'upc-single user-content-review review'):
        newdict = 
        newdict['review']  = row.find('p', 'class': 'user-content__body description').text
        newdict['title']   = row.find('h3', 'class': 'user-content__title upc-title').text
        newdict['website'] = website

        newlist.append(newdict)

    df = pd.DataFrame(newlist)
    return df


# function that uses Selenium and combines that with the scraper function to output a pandas Dataframe

def full_bc(url, website):
    driver = connect_to_page(url, headless=False)
    request = requests.get(url, headers = 'User-agent' : 'notbot')
    time.sleep(5)
    full_df = pd.DataFrame()
    while True:
        try:
            loadMoreButton = driver.find_element_by_xpath("//a[@class='btn js-load-more-btn btn-secondary pdp-wall__load-more-btn']")
            time.sleep(2)
            loadMoreButton.click()
            time.sleep(2)
        except:
            print('Done Loading More')

#             full_json = driver.page_source
            temp_df = pd.DataFrame()
            temp_df = scrape_bc(request, website)

            full_df = pd.concat([full_df, temp_df], ignore_index = True)

            time.sleep(7)
            driver.quit()
            break

    return  full_df 

我希望 Pandas 数据框有 113 行和 3 列。 我得到一个有 18 行和 3 列的 pandas 数据帧。

【参考方案1】：

好的，您点击了loadMoreButton 并加载了更多评论。但是你继续向scrape_bc 提供你曾经下载过的相同的request 内容，与 Selenium 完全分开。

将requests.get(...) 替换为driver.page_source 并确保driver.page_source 在scrape_bc(...) 调用之前处于循环中

request = driver.page_source
temp_df = pd.DataFrame()
temp_df = scrape_bc(request, website)