使用Selenium Python高效提取Web表格中的Span标签文本

    11/29/2023 04:01:10

from selenium import webdriver
from selenium.webdriver.chrome.service import Service
from selenium.webdriver.common.by import By
from selenium.webdriver.support.ui import WebDriverWait
from selenium.webdriver.support import expected_conditions as EC
import time

# 配置WebDriver路径 (请替换为您的chromedriver实际路径)
DRIVER_PATH = 'C:/Program Files (x86)/Selenium Client/Selenium Drivers/chromedriver.exe'
service = Service(executable_path=DRIVER_PATH)

# 配置Chrome选项 (可选，例如无头模式)
options = webdriver.ChromeOptions()
# options.add_argument('--headless') # 启用无头模式

# 初始化WebDriver
driver = webdriver.Chrome(service=service, options=options)

# 设置隐式等待，在查找元素时等待2秒
driver.implicitly_wait(2)

# 目标URL (请替换为实际的网页URL)
URL = 'https://www.example.com' # 假设这是一个包含目标表格的页面
driver.get(URL)

# 等待页面加载，或者等待特定元素出现
time.sleep(5) # 简单粗暴的等待，实际项目中推荐使用显式等待

实现方法： 使用XPath或CSS选择器定位到目标

示例代码：

try:
    # 假设目标td可以通过其父元素或特定属性被定位
    # 示例XPath: 查找包含特定文本的span的父td
    # 或者更直接的XPath，如果td有可识别的属性
    # 例如，如果td是某个表格的第二行第三列
    # target_td_xpath = "//table[@id='yourTableId']/tbody/tr[2]/td[3]"

    # 根据提供的HTML结构，我们可以这样定位td
    # 假设这个td是页面上唯一的或可以通过其他上下文唯一识别
    # 如果td没有class或id，可以尝试通过其子span的文本来定位父td
    # 例如：找到文本包含'2023'的span的父td
    # target_td_element = WebDriverWait(driver, 10).until(
    #     EC.visibility_of_element_located((By.XPATH, "//td[span[contains(text(), '2023')]]"))
    # )

    # 最直接的定位方式，如果td是唯一的或者可以通过其样式属性定位
    # 注意：使用style属性进行定位通常不稳定，这里仅作演示
    # 实际应用中应寻找更稳定的定位器
    target_td_element = WebDriverWait(driver, 10).until(
        EC.visibility_of_element_located((By.XPATH, "//td[contains(@style, 'padding:2px 2px 2px 5px')]/span/.."))
    )

    # 或者更简单的，直接定位到span，然后获取其父元素的文本
    # 注意：这里我们演示的是直接获取td的文本
    td_text = target_td_element.text
    print(f"策略一：直接从标签获取的文本: {td_text}")

except Exception as e:
    print(f"策略一执行失败: {e}")

注意事项：

Cutout.Pro抠图

AI批量抠图去背景

下载

• 这种方法简洁高效，但仅适用于中除了目标之外没有其他干扰性文本的情况。
• WebElement.text通常返回用户可见的文本，而get_attribute('innerText')则返回元素内部的所有文本内容，包括隐藏的文本。在大多数情况下，text属性是首选。

3.2 策略二：精确导航到Span标签

如果

内部有多个文本节点或多个子元素，直接获取 的文本可能不准确。此时，我们需要更精确地定位到目标标签。

实现方法： 使用XPath或CSS选择器直接定位到标签，然后提取其文本。

示例代码：

try:
    # 使用CSS选择器定位：td元素下的span元素
    span_element_css = WebDriverWait(driver, 10).until(
        EC.visibility_of_element_located((By.CSS_SELECTOR, "td > span"))
    )
    span_text_css = span_element_css.text
    print(f"策略二：通过CSS选择器从标签获取的文本: {span_text_css}")

    # 使用XPath定位：td元素下的span元素
    span_element_xpath = WebDriverWait(driver, 10).until(
        EC.visibility_of_element_located((By.XPATH, "//td/span"))
    )
    span_text_xpath = span_element_xpath.text
    print(f"策略二：通过XPath从标签获取的文本: {span_text_xpath}")

except Exception as e:
    print(f"策略二执行失败: {e}")

注意事项：

• 这种方法更为精确，适用于内部结构复杂的情况。
• 选择合适的XPath或CSS选择器至关重要，确保其能够唯一且稳定地定位到目标。

3.3 策略三：结构化遍历Web表格

当表格结构复杂、动态变化或需要批量处理时，结构化遍历表格是一种更通用和健壮的方法。这种方法模拟了Java答案中通过定位表格、行、列来获取数据的思路。

实现方法：

1. 首先定位整个表格元素。
2. 然后获取表格中的所有行（）。
3. 遍历行，并在每行中获取所有单元格（）。
4. 在目标单元格中，进一步定位到标签并提取文本。

示例代码：

try:
    # 假设表格有一个ID或者可以通过其他方式唯一识别
    # 例如: //table[@id='mainViewerTable_NS_']
    # 这里我们假设有一个父级div包含我们的td，为了演示目的
    # 如果没有表格ID，可能需要根据其内容或位置来定位
    # 这里我们使用一个假设的父级元素来模拟定位到包含td的区域
    # 实际项目中，您需要根据实际HTML找到表格的根元素

    # 示例：查找页面上所有包含span的td，并获取其文本
    all_td_with_span = WebDriverWait(driver, 10).until(
        EC.presence_of_all_elements_located((By.XPATH, "//td[span]"))
    )

    print("策略三：结构化遍历Web表格 (示例：查找所有包含span的td)")
    for i, td_element in enumerate(all_td_with_span):
        try:
            # 在每个td内部查找span
            span_in_td = td_element.find_element(By.TAG_NAME, "span")
            span_text = span_in_td.text
            print(f"  第 {i+1} 个td中的文本: {span_text}")
        except Exception as e_inner:
            print(f"  在第 {i+1} 个td中查找失败: {e_inner}")

    # 更具体的表格遍历示例 (假设有一个id为'myTable'的表格)
    # try:
    #     table_element = WebDriverWait(driver, 10).until(
    #         EC.visibility_of_element_located((By.ID, "myTable"))
    #     )
    #     rows = table_element.find_elements(By.TAG_NAME, "tr")
    #     print("\n策略三：结构化遍历具体表格")
    #     # 遍历所有行 (跳过表头行，如果存在)
    #     for row_index, row in enumerate(rows):
    #         if row_index == 0: # 假设第一行是表头
    #             continue
    #         columns = row.find_elements(By.TAG_NAME, "td")
    #         # 假设我们想要第2行的第3列 (Python索引为1和2)
    #         if row_index == 1 and len(columns) > 2:
    #             target_td = columns[2] # 获取第三列的td
    #             # 在这个td内部查找span
    #             span_in_target_td = target_td.find_element(By.TAG_NAME, "span")
    #             specific_span_text = span_in_target_td.text
    #             print(f"  从特定表格单元格 (第{row_index+1}行, 第{2+1}列) 中的获取文本: {specific_span_text}")
    #             break # 找到后退出循环
    # except Exception as e_table:
    #     print(f"结构化遍历表格失败: {e_table}")

except Exception as e:
    print(f"策略三执行失败: {e}")

注意事项：

• 这种方法是最健壮的，尤其适用于表格结构不固定或需要处理大量数据的情况。
• 需要准确识别表格的根元素（通常是）。
  注意Python列表的零基索引，例如rows[0]是第一行，columns[0]是第一列。
  结合显式等待（WebDriverWait）可以有效处理页面加载和元素可见性问题。

  4. 最佳实践与总结

  • 选择合适的定位器： XPath和CSS选择器各有优缺点。XPath功能强大，可以进行复杂的路径匹配；CSS选择器通常性能更好，语法更简洁。根据具体场景和HTML结构选择最稳定、最易维护的定位器。
  • 使用显式等待： 永远不要只依赖time.sleep()。使用WebDriverWait配合expected_conditions可以确保元素在操作前已经加载并可见，大大提高脚本的健壮性。
  • 错误处理： 使用try-except块来捕获可能发生的NoSuchElementException或其他Selenium异常，使脚本在遇到问题时能够优雅地处理。
  • 清理资源： 在脚本结束时，务必调用driver.quit()来关闭浏览器和WebDriver进程，释放系统资源。

  # 清理资源
  driver.quit()

  通过掌握上述策略和最佳实践，您将能够高效且稳定地从各种复杂的Web表格结构中提取所需的文本数据，从而提升您的Selenium自动化能力。无论是直接定位父元素、精确指定子元素，还是结构化遍历表格，选择最适合当前任务的方法是关键。