
在现代web开发中,javascript被广泛用于构建富交互和动态加载内容的网站。传统的http请求库(如requests)结合html解析库(如beautifulsoup)在处理这类网站时往往力不从心,因为它们无法执行javascript代码,导致页面上的动态内容无法被抓取。
此时,Selenium WebDriver便成为了理想的解决方案。Selenium通过驱动真实的浏览器(如Chrome、Firefox)来模拟用户行为,从而能够完全渲染页面,包括执行JavaScript,进而获取到所有动态生成的内容。结合强大的CSS选择器,Selenium可以高效、精确地定位到页面上的任何元素,提取所需数据。
Selenium提供了多种元素定位策略,其中CSS选择器因其简洁、高效和对复杂DOM结构的支持而备受推崇。在Selenium中,推荐使用By类来指定定位策略。
要定位页面上匹配CSS选择器的第一个元素,可以使用driver.find_element()方法:
from selenium.webdriver.common.by import By # 定位ID为'product-search-results'的元素 element = driver.find_element(By.CSS_SELECTOR, '#product-search-results')
当需要获取所有匹配特定CSS选择器的元素时(例如,页面上的所有产品列表项),应使用driver.find_elements()方法,它将返回一个列表:
立即学习“前端免费学习笔记(深入)”;
# 定位所有class为'product-grid-item'的产品卡片 product_cards = driver.find_elements(By.CSS_SELECTOR, '.product-grid-item')
find_element()和find_elements()方法不仅可以在driver对象上调用,也可以在已定位的元素上调用,从而实现更精细的局部查找。
我们将以一个模拟的电商网站为例,演示如何使用Selenium和CSS选择器提取产品数据,包括处理动态加载内容。
首先,确保已安装Selenium库和对应浏览器的WebDriver(例如ChromeDriver)。
pip install selenium
下载ChromeDriver并将其路径添加到系统PATH,或在代码中指定其路径。
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
from selenium.common.exceptions import TimeoutException, NoSuchElementException
import time
import csv
# 配置ChromeDriver路径 (根据实际情况修改)
# service = Service(executable_path='/path/to/chromedriver')
# driver = webdriver.Chrome(service=service)
# 推荐使用webdriver_manager自动管理ChromeDriver
from webdriver_manager.chrome import ChromeDriverManager
driver = webdriver.Chrome(service=Service(ChromeDriverManager().install()))
# 可选:配置为无头模式,不显示浏览器界面,提高效率
# options = webdriver.ChromeOptions()
# options.add_argument('--headless')
# options.add_argument('--disable-gpu') # 某些Linux系统需要
# driver = webdriver.Chrome(service=Service(ChromeDriverManager().install()), options=options)
driver.maximize_window() # 最大化窗口,确保元素可见target_url = "https://www.patagonia.com/shop/womens-jackets" # 示例URL,请替换为实际目标 driver.get(target_url)
许多网站采用无限滚动或“加载更多”按钮来动态加载内容。我们需要循环点击这些按钮,直到所有内容加载完毕或按钮不再出现。
def load_all_products(driver):
"""
尝试点击“加载更多”按钮,直到所有产品加载完毕。
"""
while True:
try:
# 等待“加载更多”按钮出现并可点击
# 这里的CSS选择器需要根据实际网站结构调整
load_more_button_selector = '#product-search-results > div.row.product-grid.load-more-present > div.col-12.grid-footer > div > div > button'
load_more_button = WebDriverWait(driver, 10).until(
EC.element_to_be_clickable((By.CSS_SELECTOR, load_more_button_selector))
)
# 滚动到按钮位置,确保其在视图内
driver.execute_script("arguments[0].scrollIntoView({ behavior: 'auto', block: 'center' });", load_more_button)
time.sleep(0.5) # 短暂等待,模拟用户操作
# 点击按钮
load_more_button.click()
time.sleep(2) # 等待新内容加载
except TimeoutException:
print("未找到或无法点击“加载更多”按钮,或所有内容已加载。")
break # 按钮不再出现或不可点击,说明已加载完毕
except NoSuchElementException:
print("“加载更多”按钮的CSS选择器不正确或元素不存在。")
break
except Exception as e:
print(f"加载更多时发生未知错误: {e}")
break
print("开始加载所有产品...")
load_all_products(driver)
print("所有产品加载完成。")在所有产品加载完成后,我们可以遍历所有产品卡片,提取所需信息。
products_data = []
# 定位所有产品容器,这里的CSS选择器需要根据实际网站结构调整
# 示例:每个产品项可能是一个带有特定类名的div
product_items_selector = '#product-search-results > div.row.product-grid.load-more-present > div.col-6.col-sm-4.col-md-3.product-grid-item'
product_elements = driver.find_elements(By.CSS_SELECTOR, product_items_selector)
print(f"找到 {len(product_elements)} 个产品。")
for i, product_element in enumerate(product_elements):
product_info = {
'product_title': '',
'product_url': '',
'product_image_url': '',
'product_price': '',
'rating': '',
'review_count': ''
}
try:
# 提取产品标题和URL
# 示例:标题通常在h2或h3标签内的a链接中
title_link = product_element.find_element(By.CSS_SELECTOR, 'h2.product-name > a')
product_info['product_title'] = title_link.text.strip()
product_info['product_url'] = title_link.get_attribute('href')
# 提取产品图片URL
# 示例:图片通常在img标签的src属性中
image_element = product_element.find_element(By.CSS_SELECTOR, 'img.product-image')
product_info['product_image_url'] = image_element.get_attribute('src')
# 提取产品价格
# 示例:价格可能在一个带有特定类名的span或div中
price_element = product_element.find_element(By.CSS_SELECTOR, '.price-sales')
product_info['product_price'] = price_element.text.strip()
# 提取评分和评论数量(如果可用)
# 这些元素可能不存在,需要用try-except处理
try:
rating_element = product_element.find_element(By.CSS_SELECTOR, '.rating-stars span.sr-only')
product_info['rating'] = rating_element.get_attribute('innerHTML').strip() # 假设评分在sr-only的innerHTML中
except NoSuchElementException:
product_info['rating'] = 'N/A'
try:
review_count_element = product_element.find_element(By.CSS_SELECTOR, '.review-count')
product_info['review_count'] = review_count_element.text.strip().replace('(', '').replace(')', '')
except NoSuchElementException:
product_info['review_count'] = 'N/A'
products_data.append(product_info)
except NoSuchElementException as e:
print(f"第 {i+1} 个产品元素缺少部分信息: {e}")
# 可以选择跳过此产品或记录部分信息
except Exception as e:
print(f"处理第 {i+1} 个产品时发生未知错误: {e}")
# 打印部分结果
for product in products_data[:5]:
print(product)# 定义CSV文件头
csv_headers = ['product_title', 'product_url', 'product_image_url', 'product_price', 'rating', 'review_count']
csv_file_name = 'patagonia_womens_jackets.csv'
with open(csv_file_name, 'w', newline='', encoding='utf-8') as csvfile:
writer = csv.DictWriter(csvfile, fieldnames=csv_headers)
writer.writeheader()
writer.writerows(products_data)
print(f"数据已成功保存到 {csv_file_name}")
# 关闭浏览器
driver.quit()编写高效且健壮的CSS选择器是Selenium数据抓取的关键。
通过本教程,我们深入探讨了如何利用Selenium WebDriver和CSS选择器进行动态网页数据抓取。从环境配置到实战案例,再到CSS选择器优化技巧和抓取注意事项,希望能够帮助开发者构建出高效、稳定且可扩展的网页数据抓取解决方案。掌握Selenium和CSS选择器的组合使用,将极大地拓宽您的数据获取能力,为数据分析和业务决策提供强有力支持。
以上就是使用Selenium与CSS选择器:动态网页数据提取实战指南的详细内容,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