网络爬行到桌子

Question

我希望在以下网站上抓取表格：https://www.pro14rugby.org/match-centre/results 。

有一个小部件可以在季节之间切换。 在此窗口小部件切换器之后，所有数据都保存在表中。

我提取的html只能到达小部件切换器。

我是网络爬虫的新手，因此欢迎向正确的方向发展。

我查看了网络，看是否有一个网址可以让我通过这一点。

def download(url, user_agent='<My_Email>', num_retries=2):

    print('Downloading:', url)
    headers = {'User-Agent': user_agent}
    try:
        resp = requests.get(url, headers=headers)
        html = resp.text
        if resp.status_code >= 400:
            print('Download error:', resp.text)
            html = None
            if num_retries and 500 <= resp.status_code < 600:
                # recursively retry 5xx HTTP errors
                return download(url, num_retries - 1)
    except requests.exceptions.RequestException as e:
        print('Download error:', e)
        html = None
    return html

page='https://www.pro14rugby.org/match-centre/results'

html=download(page)

期望看到带有代码路径的html代码，正如我在检查时所看到的。 我了解该小部件是动态的，因此有意义的是，我需要在代码中输入条件以获取每个季节。 任何这样做的建议都将受到欢迎。

谢谢

Answer 1

该网站使用jQuery来显示带有所选季节的表格。 可能无法通过requests和BeautifulSoup进行抓取。 Selenium可以用于刮擦文本，如下所示：

from selenium import webdriver
from selenium.webdriver.support.select import Select
import time

driver = webdriver.Firefox()
driver.maximize_window()

driver.get("https://www.pro14rugby.org/match-centre/results")

for i in range(18):
    s= Select(driver.find_element_by_class_name('widgetSwitcher'))
    s.select_by_index(i)
    time.sleep(6)
    val = driver.find_element_by_class_name('sotic-widget').text
    print(val.replace('REPORT',''))

driver.quit()

该脚本将打印表中的所有文本并退出。