python - 如何使用不变的 URL 抓取多个页面 - python

Question

我正在尝试抓取此网站:http://data.eastmoney.com/xg/xg/

到目前为止，我已经使用 selenium 执行 javascript 并抓取了表。但是，我现在的代码只能让我进入第一页。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

下面是我目前的代码:

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()

或者如果我使用 webdriver.Chrome() 而不是 PhantomJS 然后 Python 在新页面上运行，每次单击后，我是否可以通过浏览器单击下一步？

Answer 1

这不是一个简单的交互页面，需要使用 Explicit Waits等待“加载”指示器的不可见性。

这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 "------"

我们的想法是有一个无限循环，只有当“下一页”链接被禁用(没有更多页面可用)时我们才会退出。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网格顶部出现“加载”旋转圆圈的不可见性。