如何使用不变的URL刮取多个页面 - python

Question

我正试图抓住这个网站： http ： //data.eastmoney.com/xg/xg/

到目前为止，我已经使用selenium来执行javascript并获取表格。 但是，我的代码现在只获得第一页。 我想知道是否有办法访问其他17个页面，因为当我点击下一页时，URL不会改变，所以我不能每次都迭代不同的URL

以下是我目前的代码：

from selenium import webdriver
import lxml
from bs4 import BeautifulSoup
import time

def scrape():
    url = 'http://data.eastmoney.com/xg/xg/'
    d={}
    f = open('east.txt','a')
    driver = webdriver.PhantomJS()
    driver.get(url)
    lst = [x for x in range(0,25)]
    htmlsource = driver.page_source
    bs = BeautifulSoup(htmlsource)
    heading = bs.find_all('thead')[0]
    hlist = []
    for header in heading.find_all('tr'):
        head = header.find_all('th')
    for i in lst:
        if i!=2:
            hlist.append(head[i].get_text().strip())
    h = '|'.join(hlist)
    print h
    table = bs.find_all('tbody')[0]
    for row in table.find_all('tr'):
        cells = row.find_all('td')
        d[cells[0].get_text()]=[y.get_text() for y in cells]
    for key in d:
        ret=[]
        for i in lst:
            if i != 2:
                ret.append(d.get(key)[i])
        s = '|'.join(ret)
        print s     

if __name__ == "__main__":  
    scrape()

或者我可以在浏览器中单击下一步，如果我使用webdriver.Chrome（）而不是PhantomJS，然后在每次单击后点击Python在新页面上运行？

Answer 1

这不是一个与之交互的简单页面，需要使用显式等待来等待“加载”指标的隐形。

以下是您可以用作起点的完整且有效的实现：

# -*- coding: utf-8 -*-
from selenium.webdriver.common.by import By
from selenium.webdriver.support.ui import WebDriverWait
from selenium.webdriver.support import expected_conditions as EC

from selenium import webdriver
import time

url = "http://data.eastmoney.com/xg/xg/"
driver = webdriver.PhantomJS()
driver.get(url)

def get_table_results(driver):
    for row in driver.find_elements_by_css_selector("table#dt_1 tr[class]"):
        print [cell.text for cell in row.find_elements_by_tag_name("td")]


# initial wait for results
WebDriverWait(driver, 10).until(EC.invisibility_of_element_located((By.XPATH, u"//th[. = '加载中......']")))


while True:
    # print current page number
    page_number = driver.find_element_by_id("gopage").get_attribute("value")
    print "Page #" + page_number

    get_table_results(driver)

    next_link = driver.find_element_by_link_text("下一页")
    if "nolink" in next_link.get_attribute("class"):
        break

    next_link.click()
    time.sleep(2)  # TODO: fix?

    # wait for results to load
    WebDriverWait(driver, 10).until(EC.invisibility_of_element_located((By.XPATH, u"//img[contains(@src, 'loading')]")))

    print "------"

我们的想法是拥有一个无限循环，只有当“下一页”链接被禁用时才会退出（不再有可用的页面）。 在每次迭代中，获取表格结果（为了示例而在控制台上打印），单击下一个链接并等待出现在网格顶部的“加载”旋转圆的不可见性。

Answer 2

我在C＃中使用Chromedriver和Selenium找到了另一种方法。 您所要做的就是在代码中添加selenium引用并放入chromedriver.exe引用。

在您的代码中，您可以使用导航到网址

using (var driver = new chromedriver())
{
    driver.Navigate().GoToUrl(pathofurl);
    //find your element by using FindElementByXpath
    //var element = driver.FindElementByXpath(--Xpath--).Text;
}

查找Xpath非常简单 - 您只需通过转到chrome商店下载chrome中的scraper扩展或x-path扩展即可。 一旦你获得了元素的x-path，你可以找到下一个按钮的x-path，并在你的代码中使用它在循环中非常容易地浏览页面。 希望这可以帮助。