Web 使用 for 循环从多个页面中抓取

Question

我创建了 web 抓取工具，用于从上市房屋中提取数据。

我在更改页面时遇到问题。 我确实从 1 到某个数字对 go 进行了循环。

问题是这样的：在这个 web 页面中，最后一个“页面”可能一直不同。 现在它是 70，但明天它可以是 68 或 72。如果我的范围例如为 (1-74)，它将多次打印最后一页，因为如果 go 超过最大值，页面总是加载最后一页。

html： https://www.etuovi.com/myytavat-asunnot/oulu?haku=M1582971026&sivu=1000 <----如果你这样会自动打开最后一页（70）， 70) 射程的次数。

那么如何让这个循环在达到最大数量时停止呢？

for sivu in range(1, 100):
    
        req = requests.get(my_url + str(sivu))
        page_soup = soup(req.text, "html.parser")
        containers = page_soup.findAll("div", {"class": "ListPage__cardContainer__39dKQ"})

谢谢

Answer 1

使用您提供的网站，您可以通过抓取按钮文本来获得最大范围。

import requests
from bs4 import BeautifulSoup as bs

url='https://www.etuovi.com/myytavat-asunnot/oulu?haku=M1582971026&sivu=1000'
page=requests.get(url)
soup = bs(page.content,'html.parser')

last_page = None
pages = []

buttons=soup.find_all('button', class_= "Pagination__button__3H2wX")
for button in buttons:
    pages.append(button.text)

print(pages)

Output：['1'，'68'，'69'，'70']

最后一个元素将是最后一页，我能够使用class_= "Pagination__button__3H2wX"获取按钮。 您可以只获取数组的最后一个元素并将其用作循环的限制。 但请注意，这可能会根据网站的 web 开发人员是否决定更改这些按钮上的内容而改变。

Answer 2

所以这是我现在的代码。 出于某种原因，我仍然无法继续。 有任何想法吗？

错误：

回溯（最后一次调用）：文件“C:/Users/Käyttäjä/PycharmProjects/Etuoviscaper/etuovi.py”，第 29 行，在容器中 = page_soup.find("div", {"class": "ListPage__cardContainer__39dKQ"})文件“C:\Users\Käyttäjä\PycharmProjects\Etuoviscaper\venv\lib\site-packages\bs4\element.py”，第 2173 行，在getattr中引发 AttributeError（AttributeError：ResultSet object 没有属性“find”。你是可能将元素列表视为单个元素。当您打算调用 find() 时是否调用了 find_all()？

import bs4
from bs4 import BeautifulSoup as soup
from urllib.request import urlopen as uReq
import re
import requests

my_url = 'https://www.etuovi.com/myytavat-asunnot/oulu?haku=M1582971026&sivu=1'

filename = "asunnot.csv"
f = open(filename, "w")
headers = "Neliöt; Hinta; Osoite; Kaupunginosa; Kaupunki; Huoneistoselitelmä; Rakennusvuosi\n"
f.write(headers)

page = requests.get(my_url)
soup = soup(page.content, 'html.parser')

pages = []
buttons = soup.findAll("button", {"class": "Pagination__button__3H2wX"})
for button in buttons:
    pages.append(button.text)


last_page = int(pages[-1])

for sivu in range(1, last_page):

    req = requests.get(my_url + str(sivu))
    page_soup = soup(req.text, "html.parser")
    containers = page_soup.findAll("div", {"class": "ListPage__cardContainer__39dKQ"})

    for container in containers:
        size_list = container.find("div", {"class": "flexboxgrid__col-xs__26GXk flexboxgrid__col-md-4__2DYW-"}).text
        size_number = re.findall("\d+\,*\d+", size_list)
        size = ''.join(size_number)  # Asunnon koko neliöinä

        prize_line = container.find("div", {"class": "flexboxgrid__col-xs-5__1-5sb flexboxgrid__col-md-4__2DYW-"}).text
        prize_number_list = re.findall("\d+\d+", prize_line)
        prize = ''.join(prize_number_list[:2])  # Asunnon hinta

        address_city = container.h4.text

        address_list = address_city.split(', ')[0:1]
        address = ' '.join(address_list)  # osoite

        city_part = address_city.split(', ')[-2]  # kaupunginosa

        city = address_city.split(', ')[-1]  # kaupunki

        type_org = container.h5.text
        type = type_org.replace("|", "").replace(",", "").replace(".", "")  # asuntotyyppi

        year_list = container.find("div", {"class": "flexboxgrid__col-xs-3__3Kf8r flexboxgrid__col-md-4__2DYW-"}).text
        year_number = re.findall("\d+", year_list)
        year = ' '.join(year_number)

        print("pinta-ala: " + size)
        print("hinta: " + prize)
        print("osoite: " + address)
        print("kaupunginosa: " + city_part)
        print("kaupunki: " + city)
        print("huoneistoselittelmä: " + type)
        print("rakennusvuosi: " + year)

        f.write(size + ";" + prize + ";" + address + ";" + city_part + ";" + city + ";" + type + ";" + year + "\n")

f.close()