如何从子类别中的所有页面获取所有产品（python，亚马逊）

Question

如何从子类别的所有页面中获取所有产品？ 我附上了程序。 现在我的程序仅从第一页开始。 我想从所有+400页中获得该子类别中的所有产品，因此请转到下一页提取所有产品，然后再转到下一页，等等。我将不胜感激。

 # selenium imports from selenium import webdriver from selenium.webdriver.common.by import By from selenium.webdriver.support.ui import WebDriverWait from selenium.webdriver.support import expected_conditions as EC import random PROXY ="88.157.149.250:8080"; chrome_options = webdriver.ChromeOptions() chrome_options.add_argument('--proxy-server=%s' % PROXY) # //a[starts-with(@href, 'https://www.amazon.com/')]/@href LINKS_XPATH = '//*[contains(@id,"result")]/div/div[3]/div[1]/a' browser = webdriver.Chrome(chrome_options=chrome_options) browser.get( 'https://www.amazon.com/s/ref=lp_11444071011_nr_p_8_1/132-3636705-4291947?rh=n%3A3375251%2Cn%3A%213375301%2Cn%3A10971181011%2Cn%3A11444071011%2Cp_8%3A2229059011') links = browser.find_elements_by_xpath(LINKS_XPATH) for link in links: href = link.get_attribute('href') print(href) 

Answer 1

当您想要获取大量数据时，最好直接通过HTTP请求获取它，而不是使用Selenium导航到每个页面。

尝试遍历所有页面并按如下所示刮取所需数据

import requests
from lxml import html

page_counter = 1
links = []

while True:
    headers = {"User-Agent": "Mozilla/5.0 (X11; Ubuntu; Linux x86_64; rv:58.0) Gecko/20100101 Firefox/58.0"}
    url = "https://www.amazon.com/s/ref=sr_pg_{0}?rh=n%3A3375251%2Cn%3A!3375301%2Cn%3A10971181011%2Cn%3A11444071011%2Cp_8%3A2229059011&page={0}&ie=UTF8&qid=1517398836".format(page_counter)
    response = requests.get(url, headers=headers)
    if response.status_code == 200:
        source = html.fromstring(response.content)
        links.extend(source.xpath('//*[contains(@id,"result")]/div/div[3]/div[1]/a/@href'))
        page_counter += 1
    else:
        break

print(links)

PS选中此票证即可将代理与requests库一起使用

Answer 2

# selenium imports
import random
from selenium import webdriver
from selenium.webdriver.common.by import By
from selenium.webdriver.support import expected_conditions as EC
from selenium.webdriver.support.ui import WebDriverWait
import time


def list_all_items():
    # items = browser.find_elements_by_css_selector('.a-size-base.s-inline.s-access-title.a-text-normal')
    print "Start"
    item_list = []
    items = WebDriverWait(browser, 60).until(EC.presence_of_all_elements_located((By.CSS_SELECTOR, ".a-size-base.s-inline.s-access-title.a-text-normal")))
    print "items--->", items
    if items:
        for item in items:
            print item.text, "\n\n"
            item_list.append(item.text)
    #time.sleep(3)
    #next_button = WebDriverWait(browser, 60).until(EC.presence_of_element_located((By.ID, 'pagnNextString')))
    next_button = WebDriverWait(browser, 60).until(EC.element_to_be_clickable((By.ID, "pagnNextString"))) 
    print "next_button-->", next_button
    browser.execute_script("window.scrollTo(0, document.body.scrollHeight);")
    print "____________SCROLL_DONE___"
    next_button.click()
    print "Click_done"
    list_all_items()
#     next_button = browser.find_element_by_id('pagnNextString')
#     next_button.click()

# ifpagnNextString
# https://www.amazon.com/s/ref=lp_11444071011_nr_p_8_1/132-3636705-4291947?rh=n%3A3375251%2Cn%3A%213375301%2Cn%3A10971181011%2Cn%3A11444071011%2Cp_8%3A2229059011


PROXY = "88.157.149.250:8080";

chrome_options = webdriver.ChromeOptions()
# chrome_options.add_argument('--proxy-server=%s' % PROXY)
# //a[starts-with(@href, 'https://www.amazon.com/')]/@href
LINKS_XPATH = '//*[contains(@id,"result")]/div/div[3]/div[1]/a'
browser = webdriver.Chrome(chrome_options=chrome_options)
browser.maximize_window()
browser.get('https://www.amazon.com/s/ref=lp_11444071011_nr_p_8_1/132-3636705-4291947?rh=n%3A3375251%2Cn%3A%213375301%2Cn%3A10971181011%2Cn%3A11444071011%2Cp_8%3A2229059011')

list_all_items()

我做了一个方法，它将打印所有页面上的项目列表并递归调用它，在方法结束时，我单击了下一步按钮。 我没有给您休息和退出的条件，我相信您可以管理它。 “ list_all_items”方法是执行所需操作的逻辑。

也取消注释我已经评论过的代理部分。

Answer 3

让我分几步解决这个问题，以便您了解此处需要做的事情。

首先，您需要从页面获取所有产品。

然后，您需要获取所有页面并在每个页面上重复第一步。

现在，我不了解Python，因此我将尽我所能尽力做到这一点。

首先，您需要创建一个值为0的int。之后，您需要获取页面数。 为此，请检查：

numberOfPagesString = browser.find_element_by_xpath('//span[@class='pagnDisabled']').text

numberOfPages = int(numberOfPagesString)

i = 0

然后，您需要创建一个循环。 在循环中，您将将设置值0的int增量为最大400。

因此，现在每次int不等于400时，您的循环都将单击下一页并获取所有产品，然后执行您想要的操作。 这将导致类似：

while i < numberOfPages **Here, as long as the value of i is less than 400, do this loop**

**code to get all products on page here**

**click on next page link**
browser.find_element_by_id('pagnNextString').click

i++ **here your i will become 1 after first page, 2 after second etc**

总结一下，要做的第一件事就是确定页面上有多少页。

然后，您将从浏览器返回的字符串中创建一个int。

然后，您创建一个值为0的int，它将在每次循环时用于检查是否已达到最大页数。

之后，您将首先从该页面获得所有产品（如果不这样做，它将跳过第一页）。

最后，它要单击下一页按钮。

要完成此操作，您需要先增加++的增量，因此在每次循环后，增量为1。