
对于许多web抓取任务,开发者通常依赖于页面固定的html结构来定位和提取数据。然而,现代网站为了提升用户体验、实现动态内容加载或应对爬虫,其html结构可能在不同请求下呈现出差异,甚至返回一个“错误页面”或不包含实际内容的骨架。
例如,在抓取IBM文档页面(如https://www.ibm.com/docs/en/imdm/12.0?topic=t-accessdateval)时,可能会遇到两种截然不同的HTML响应:
当遇到这种非预期结构时,原有的基于特定CSS选择器或标签路径的解析逻辑会失效,导致抓取过程中断。这表明我们需要更深入地理解网站的内容加载机制。
面对HTML结构的不确定性,一个有效的策略是模拟浏览器行为,并利用开发者工具(如Chrome DevTools或Firefox Developer Tools)的网络面板来观察页面的实际加载过程。通过检查XHR/Fetch请求,我们往往能发现页面在后台调用的内容API。
在本例中,即使初始URL返回的是一个中间页或错误提示,仔细检查其HTML内容,可能会发现一些隐藏的线索。例如,在非预期HTML结构中,可能会出现类似"oldUrl":"..."的JavaScript变量。这暗示着页面可能首先加载一个通用框架,然后通过JavaScript或内部API调用来填充具体内容。
立即学习“前端免费学习笔记(深入)”;
解决方案的核心在于:
为了解决HTML结构不一致的问题,我们可以采取以下策略:
传统的requests库是同步的,对于需要进行多次网络请求(例如,先请求页面,再请求API)的场景,异步HTTP客户端能显著提升效率和响应性。httpx是一个现代的、支持同步和异步的HTTP客户端,而trio是一个并发框架,可以与httpx结合使用,实现高效的异步操作。
在发送请求时,设置User-Agent头是最佳实践,可以模拟主流浏览器的请求,减少被网站识别为爬虫的风险。
headers = {
'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64; rv:109.0) Gecko/20100101 Firefox/113.0'
}根据对网站行为的分析,我们可以尝试分两步获取数据:
一旦获取到包含实际数据的HTML内容,如果目标是表格,pandas库的read_html函数是一个非常强大的工具。它能够直接从HTML字符串中识别并解析表格,返回一个DataFrame列表。我们可以通过attrs参数指定表格的属性(如class='defaultstyle')来精确选择目标表格。
以下是结合上述策略的Python代码示例,用于稳定地从IBM文档页面中提取表格数据:
import httpx
import trio
import re
import pandas as pd
from bs4 import BeautifulSoup # 仅作为参考,实际解决方案中可能不直接使用BeautifulSoup解析表格
# 模拟浏览器User-Agent
headers = {
'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64; rv:109.0) Gecko/20100101 Firefox/113.0'
}
async def fetch_table_data(identifier: str):
"""
异步函数,用于根据标识符从IBM文档页面抓取表格数据。
"""
async with httpx.AsyncClient(headers=headers, base_url='https://www.ibm.com/docs') as client:
# 1. 构造初始页面URL参数
initial_params = {
'topic': f'tables-{identifier}' # 假设identifier用于构建topic参数
}
# 2. 发送初始请求,获取可能包含API路径的页面
try:
initial_response = await client.get('en/imdm/12.0', params=initial_params, follow_redirects=True)
initial_response.raise_for_status() # 检查HTTP状态码
except httpx.HTTPStatusError as e:
print(f"Error fetching initial page for identifier {identifier}: {e}")
return None
except httpx.RequestError as e:
print(f"Network error for identifier {identifier}: {e}")
return None
# 3. 从初始响应中提取内容API的oldUrl
match = re.search(r'"oldUrl":"(.*?)"', initial_response.text)
if not match:
print(f"Could not find 'oldUrl' in initial response for identifier {identifier}. Trying direct parse.")
# 如果没有找到oldUrl,尝试直接解析,以防有些页面直接返回内容
try:
# 尝试用pandas直接解析,如果页面直接包含表格
df_list = pd.read_html(initial_response.content, attrs={'class': 'defaultstyle'})
if df_list:
print(f"Successfully parsed table directly for {identifier}.")
return df_list[0]
else:
print(f"No table found directly for {identifier}.")
return None
except Exception as e:
print(f"Direct parsing failed for {identifier}: {e}")
return None
old_url_path = match.group(1)
# 4. 构造内容API的URL
content_api_url = "api/v1/content/" + old_url_path
content_api_params = {
'parsebody': 'true',
'lang': 'en'
}
# 5. 发送API请求,获取实际内容
try:
api_response = await client.get(content_api_url, params=content_api_params)
api_response.raise_for_status()
except httpx.HTTPStatusError as e:
print(f"Error fetching content API for identifier {identifier} ({content_api_url}): {e}")
return None
except httpx.RequestError as e:
print(f"Network error for content API {identifier} ({content_api_url}): {e}")
return None
# 6. 使用pandas直接解析表格
try:
# pandas.read_html返回一个DataFrame列表
df_list = pd.read_html(api_response.content, attrs={'class': 'defaultstyle'})
if df_list:
print(f"Successfully extracted table for identifier: {identifier}")
return df_list[0]
else:
print(f"No table with class 'defaultstyle' found in API response for {identifier}.")
return None
except Exception as e:
print(f"Error parsing HTML table for identifier {identifier}: {e}")
return None
async def main():
# 示例用法:假设我们有一个identifiers.csv文件
# df_identifiers = pd.read_csv('identifiers.csv')
# identifiers = df_identifiers['Identifier'].tolist()
# 为了演示,我们直接使用一个示例标识符
identifiers = ['t-accessdateval', 'r_Tables', 'another_identifier'] # 替换为你的实际标识符列表
all_results = []
async with trio.open_nursery() as nursery:
for identifier in identifiers:
# 使用nursery.start_soon并行运行抓取任务
nursery.start_soon(
lambda id=identifier: trio.run(
lambda: fetch_table_data(id)
).add_done_callback(
lambda fut: all_results.append((id, fut.result()))
)
)
# 注意:trio.run不能嵌套,这里是一个简化的演示。
# 实际生产代码中,应将所有任务直接传递给一个trio.run的顶层async函数。
# 更规范的trio并行:
# async def run_all_fetches():
# async with trio.open_nursery() as nursery:
# for identifier in identifiers:
# nursery.start_soon(fetch_and_store, identifier, all_results)
# await run_all_fetches()
#
# def fetch_and_store(identifier, results_list):
# data = await fetch_table_data(identifier)
# results_list.append((identifier, data))
# 由于trio.run不能嵌套,上述并行代码需要调整。
# 这里为了演示,我们先简化为串行执行,但在实际应用中推荐使用trio的并行特性。
print("\n--- Running tasks sequentially for demonstration ---")
for identifier in identifiers:
df = await fetch_table_data(identifier)
if df is not None:
print(f"\nData for {identifier}:\n{df.head()}")
# 将每个DataFrame存储起来,或者进行合并
all_results.append(df)
# 合并所有DataFrame
if all_results:
combined_df = pd.concat(all_results, ignore_index=True)
print("\n--- Combined DataFrame (first 5 rows) ---")
print(combined_df.head())
# combined_df.to_csv('combined_table_data.csv', index=False)
else:
print("No data was successfully extracted.")
if __name__ == "__main__":
trio.run(main)
注意事项:
Web抓取并非一劳永逸,网站结构的动态性和复杂性要求我们采用更具适应性的抓取策略。当遇到HTML结构不一致或“错误页面”时,首先应怀疑内容是否通过API动态加载。通过以下步骤,我们可以构建出更稳定、高效的抓取系统:
通过这些策略,我们能够更好地应对Web抓取中的挑战,确保数据的准确性和抓取过程的稳定性。
以上就是解决Web抓取中HTML结构不一致问题的策略与实践的详细内容,更多请关注php中文网其它相关文章!
HTML怎么学习?HTML怎么入门?HTML在哪学?HTML怎么学才快?不用担心,这里为大家提供了HTML速学教程(入门课程),有需要的小伙伴保存下载就能学习啦!
Copyright 2014-2025 https://www.php.cn/ All Rights Reserved | php.cn | 湘ICP备2023035733号