
在网页数据抓取过程中,我们经常遇到需要从图表(如股价走势图、产品价格历史图)中提取详细数据的情况。许多图表在鼠标悬停时会显示额外的工具提示信息,例如具体的日期和数值。一种直观的想法是使用自动化测试工具selenium来模拟鼠标悬停操作,然后尝试捕获弹出的文本。
例如,针对类似CPU价格历史图的场景,初学者可能会尝试以下Selenium代码:
from selenium import webdriver
from selenium.webdriver import ActionChains
from selenium.webdriver.chrome.service import Service
from selenium.webdriver.chrome.options import Options
from selenium.webdriver.support.ui import WebDriverWait
from selenium.webdriver.common.by import By
from selenium.webdriver.support import expected_conditions as EC
options = Options()
options.add_argument("start-maximized")
webdriver_service = Service()
driver = webdriver.Chrome(options=options, service=webdriver_service)
driver.get('https://www.cpubenchmark.net/cpu.php?cpu=Intel+Core+i9-11900K+%403.50GHz&id=3904')
# 尝试定位图表元素
element = WebDriverWait(driver, 10).until(EC.presence_of_element_located((By.XPATH, "//*[@id='placeholder']/div/canvas[2]")))
# 尝试遍历元素并模拟鼠标悬停
# for el in element: # 错误:element是一个WebElement对象,不可迭代
# ActionChains(driver).move_to_element(el).perform()
# mouseover = WebDriverWait(driver, 30).until(EC.visibility_of_element_located((By.CSS_SELECTOR, ".placeholder > div > div.canvasjs-chart-tooltip > div > span")))
# print(mouseover.text)然而,上述代码段中存在一个常见错误:element变量通过EC.presence_of_element_located获取的是单个WebElement对象,而非一个列表,因此直接对其进行for循环会导致'WebElement' object is not iterable的运行时错误。即使解决了迭代问题,通过模拟鼠标悬停来获取大量数据也存在效率低、资源消耗大、稳定性差等问题,尤其是在需要抓取图表中所有数据点时,这种方法显得非常笨重。
核心问题在于:许多看起来是动态生成的数据,实际上可能已经作为JavaScript变量或JSON对象嵌入在页面的HTML源代码中。此时,模拟用户交互是多余且低效的。
更高效、更稳定的方法是直接分析网页的HTML源代码,查找其中是否包含了我们所需的数据。如果数据以JavaScript变量的形式存在,我们可以利用requests库获取页面内容,并结合正则表达式re模块进行精确匹配和提取。
立即学习“Python免费学习笔记(深入)”;
这种方法的优势在于:
以从cpubenchmark.net网站提取CPU价格历史数据为例,我们将展示如何通过直接分析HTML源代码来获取数据。
首先,使用requests库发送HTTP GET请求,获取目标网页的完整HTML内容。
import requests import re import pandas as pd url = "https://www.cpubenchmark.net/cpu.php?cpu=Intel+Core+i9-11900K+%403.50GHz&id=3904" html_text = requests.get(url).text
通过浏览器开发者工具(F12)检查目标页面的“Elements”或“Sources”面板,我们会发现图表数据通常以JavaScript变量的形式存在。在该网站的案例中,数据点以dataArray.push({x: ..., y: ...})的格式嵌入在JavaScript脚本块中。
我们可以构建一个正则表达式来匹配并捕获这些数据:r"dataArray\.push\({x: (\d+), y: ([\d.]+)}"。
使用re.findall()函数可以找到所有匹配项,并返回一个元组列表,每个元组包含捕获到的时间戳和价格。
df = pd.DataFrame(
re.findall(r"dataArray\.push\({x: (\d+), y: ([\d.]+)}", html_text),
columns=["time", "price"],
)提取到的时间戳通常是Unix时间戳(毫秒或秒)。我们需要将其转换为可读的日期时间格式,并将价格转换为数值类型。pandas库提供了强大的数据类型转换功能。
# 将时间戳从字符串转换为整数,并除以1000(如果原始是毫秒级时间戳),然后转换为datetime对象 df["time"] = pd.to_datetime(df["time"].astype(int) // 1000, unit="s") # 将价格从字符串转换为浮点数 df["price"] = df["price"].astype(float)
import requests
import re
import pandas as pd
# 目标网页URL
url = "https://www.cpubenchmark.net/cpu.php?cpu=Intel+Core+i9-11900K+%403.50GHz&id=3904"
# 步骤一:获取网页内容
html_text = requests.get(url).text
# 步骤二:识别并提取JavaScript数据
# 使用正则表达式匹配 dataArray.push({x: timestamp, y: price}) 格式的数据
# (\d+) 捕获时间戳, ([\d.]+) 捕获价格(可能包含小数)
df = pd.DataFrame(
re.findall(r"dataArray\.push\({x: (\d+), y: ([\d.]+)}", html_text),
columns=["time", "price"],
)
# 步骤三:数据清洗与转换
# 将时间戳从字符串转换为整数,并将其除以1000(如果原始是毫秒级时间戳),然后转换为datetime对象
# unit='s' 表示时间戳的单位是秒
df["time"] = pd.to_datetime(df["time"].astype(int) // 1000, unit="s")
# 将价格从字符串转换为浮点数
df["price"] = df["price"].astype(float)
# 打印DataFrame的最后几行,验证数据
print(df.tail())执行上述代码,你将获得一个包含日期和价格的DataFrame,例如:
time price 236 2023-05-28 06:00:00 317.86 237 2023-05-29 06:00:00 319.43 238 2023-05-30 06:00:00 429.99 239 2023-05-31 06:00:00 314.64 240 2023-06-01 06:00:00 318.90
在网页数据抓取中,选择合适的工具和策略至关重要。对于那些将数据直接嵌入到HTML或JavaScript源代码中的图表,通过requests获取页面内容并结合re正则表达式进行直接提取,是比模拟鼠标悬停更高效、更稳定的解决方案。这种方法不仅减少了资源消耗,提高了爬取速度,也降低了因UI变化导致爬虫失效的风险。掌握这种技巧,能让你在面对复杂的网页数据时更加游刃有余。
以上就是Python网络爬虫:高效提取图表数据,告别鼠标悬停烦恼的详细内容,更多请关注php中文网其它相关文章!
每个人都需要一台速度更快、更稳定的 PC。随着时间的推移,垃圾文件、旧注册表数据和不必要的后台进程会占用资源并降低性能。幸运的是,许多工具可以让 Windows 保持平稳运行。
Copyright 2014-2025 https://www.php.cn/ All Rights Reserved | php.cn | 湘ICP备2023035733号