使用 selenium 和 bs4 进行网页抓取

Posted 2023-02-23

【中文标题】使用 selenium 和 bs4 进行网页抓取

【英文标题】：Web scraping using selenium and bs4

【发布时间】：2019-02-12 12:45:24

【问题描述】：

我正在尝试基于该页面的网络抓取构建数据框

https://www.schoolholidayseurope.eu/choose-a-country

html firstable 我对 selenium 说单击我选择的页面，然后我将 xpath 和标签元素放入构建标题和正文，但我没有我想要的格式我的元素是 NaN 或重复。

按照我的脚本：

def get_browser(url_selector):
    """Get the browser (a "driver")."""
    #option = webdriver.ChromeOptions()
    #option.add_argument(' — incognito')
    path_to_chromedriver = r"C:/Users/xxxxx/Downloads/chromedriver_win32/chromedriver.exe"
    browser = webdriver.Chrome(executable_path= path_to_chromedriver)
    browser.get(url_selector)
    
    """ Try with Italie"""
    browser.find_element_by_xpath(italie_buton_xpath).click()

    """ Raise exception : down browser if loading take more than 45sec : timer is the logo website as a flag"""
    # Wait 45 seconds for page to load
    timeout = 45
    try:
        WebDriverWait(browser, timeout).until(EC.visibility_of_element_located((By.XPATH, '//*[@id="s5_logo_wrap"]/img')))
    except TimeoutException:
        print("Timed out waiting for page to load")
        browser.quit()
    return browser

browser = get_browser(url_selector)
headers = browser.find_element_by_xpath('//*[@id="s5_component_wrap_inner"]/main/div[2]/div[2]/div[3]/table/thead').find_elements_by_tag_name('tr')                                                            
headings = [i.text.strip() for i in headers]
bs_obj = BeautifulSoup(browser.page_source, 'html.parser')
rows = bs_obj.find_all('table')[0].find('tbody').find_all('tr')[1:]
table = []

for row in rows : 
    line = next(td.get_text() for td in row.find_all("td"))
    print(line)
    table.append(line)
browser.quit()
    
pd.DataFrame(line, columns = headings)

返回

单列数据框，例如：

    School Holiday Region Start date End date Week
0   Easter holidays 2018
1   REMARK: Small differences by region are possi...
2   Summer holiday 2018
3   REMARK: First region through to last region.
4   Christmas holiday 2018

这里有三个问题，我不希望 REMARK 行和学校假期开始日期和结束日期被视为单独的单词，并且整个数据框未拆分。

如果我拆分我的标题并排列两个不匹配的形状 由于 REMARKS 行，我的列表中有 9 个元素而不是 3 个，并且由于单词分开，我在标题中得到了 8 个元素而不是 5 个。

【问题讨论】：

你能告诉我在你的帖子中使用pd.DataFrame(line, columns = headings)吗？或者应该是pd.DataFrame(table, columns = headings)。

还发布您遇到的错误的完整回溯。

我没有看到那个错误，但是数据框仍然没有拆分，只有一列结构

您在哪一行出现错误？

我现在编辑没有更多错误，只是结构不理想

【参考方案1】：

你可以在主页上找到所有的链接，然后用selenium遍历每个url：

from selenium import webdriver
from bs4 import BeautifulSoup as soup
import re, contextlib, pandas
d = webdriver.Chrome('/Users/jamespetullo/Downloads/chromedriver')
d.get('https://www.schoolholidayseurope.eu/choose-a-country')
_, *countries = [(lambda x:[x.text, x['href']])(i.find('a')) for i in soup(d.page_source, 'html.parser').find_all('li', 'class':re.compile('item\d+$'))]
@contextlib.contextmanager
def get_table(source:str):
   yield [[[i.text for i in c.find_all('th')], [i.text for i in c.find_all('td')]] for c in soup(source, 'html.parser').find('table', 'class':'zebra').find_all('tr')]
results = 
for country, url in countries:
  d.get(f'https://www.schoolholidayseurope.euurl')
  with get_table(d.page_source) as source:
     results[country] = source

def clean_results(_data):
  [headers, _], *data = _data
  return [dict(zip(headers, i)) for _, i in data]

final_countries = a:clean_results(b) for a, b in results.items()

【讨论】：

工作得很好，谢谢，我想了解 contextlib 的一些细节？