使用BS4或Selenium从finishline.com进行网络抓取

Question

我正在尝试使用Selenium或Beautifulsoup 4从https://www.finishline.com获取数据。到目前为止，我一直没有成功，所以我转向Stackoverflow寻求帮助 - 希望有人知道如何绕过他们的抓取保护。

我尝试使用Beautifulsoup 4和Selenium。 以下是一些简单的例子。

我的主程序中使用的常规导入：

import requests
import csv
import io
import os
import re
from selenium import webdriver
from selenium.webdriver.common.keys import Keys
from selenium.webdriver.chrome.options import Options
from datetime import datetime
from bs4 import BeautifulSoup

Beautifulsoup 4代码：

data2 = requests.get("https://www.finishline.com/store/product/mens-nike-air-max-95-se-casual-shoes/prod2783292?styleId=AJ2018&colorId=004")
soup2 = BeautifulSoup(data2.text, 'html.parser')

x = soup2.find('h1', attrs={'id': 'title'}).text.strip()
print(x)

Selenium代码：

options = Options()
options.headless = True
options.add_argument('log-level=3')
driver = webdriver.Chrome(options=options)
driver.get("https://www.finishline.com/store/product/mens-nike-air-max-95-se-casual-shoes/prod2783292?styleId=AJ2018&colorId=004") 
x = driver.find_element_by_xpath("//h1[1]")
print(x)
driver.close()

这两个片段都是尝试从产品页面获取产品标题。

Beautifulsoup 4片段有时会被卡住并且什么都不做，有时候它会返回

requests.exceptions.ConnectionError: ('Connection aborted.', OSError("(10060, 'WSAETIMEDOUT')"))

Selenium片段返回

<selenium.webdriver.remote.webelement.WebElement (session="b3707fb7d7b201e2fa30dabbedec32c5", element="0.10646785765405364-1")>

这意味着它确实找到了元素，但是当我尝试通过更改将其转换为文本时

x = driver.find_element_by_xpath("//h1[1]")

至

x = driver.find_element_by_xpath("//h1[1]").text

它返回Access Denied ，这也是网站有时在浏览器中返回的内容。 可以通过清除cookie来绕过它。

有谁知道从这个网站获取数据的方法？ 提前致谢。

Answer 1

试试这个，对我而言，它可以让MEN'S NIKE AIR MAX 95 SE CASUAL SHOES

from selenium import webdriver
from selenium.webdriver.chrome.options import Options

options = Options()

driver = webdriver.Chrome()
driver.get("https://www.finishline.com/store/product/mens-nike-air-max-95-se-casual-shoes/prod2783292?styleId=AJ2018&colorId=004")
x = driver.find_element_by_xpath('//*[@id="title"]')
print(x.text)

Answer 2

由于用户代理，服务器拒绝了请求，我将用户代理添加到请求中。

headers = {
    'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/73.0.3683.86 Safari/537.36'
}
data2 = requests.get("https://www.finishline.com/store/product/mens-nike-air-max-95-se-casual-shoes/prod2783292?styleId=AJ2018&colorId=004",headers=headers)
soup2 = BeautifulSoup(data2.text, 'html.parser')

x = soup2.find('h1', attrs={'id': 'title'}).text.strip()
print(x)

输出：

Men's Nike Air Max 95 SE Casual Shoes