嘗試從動態(tài)網(wǎng)頁載入資料時，您的抓取工具是否卡住了？您是否對無限滾動或那些討厭的“加載更多”按鈕感到沮喪？

你並不孤單。如今，許多網(wǎng)站都實施這些設(shè)計來改善使用者體驗，但它們對於網(wǎng)頁抓取工具來說可能具有挑戰(zhàn)性。

本教學(xué)將引導(dǎo)您完成適合初學(xué)者的演練，使用 載入更多 按鈕抓取示範(fàn)頁面。目標(biāo)網(wǎng)頁如下圖所示：

最後，您將學(xué)習(xí)如何：

• 設(shè)定 Selenium 進行網(wǎng)頁抓取。
• 自動化「載入更多」按鈕互動。
• 提取產(chǎn)品數(shù)據(jù)，例如名稱、價格和連結(jié)。

讓我們開始吧！

第 1 步：先決條件

開始之前，請確保滿足以下先決條件：

• 已安裝 Python：從 python.org 下載並安裝最新的 Python 版本，包括安裝過程中的 pip。
• 基礎(chǔ)：熟悉網(wǎng)頁抓取概念、Python 程式設(shè)計以及使用 requests、BeautifulSoup 和 Selenium 等函式庫。

所需的圖書館：

• 請求：用於傳送 HTTP 請求。
• BeautifulSoup：用於解析 HTML 內(nèi)容。
• Selenium：用於模擬使用者交互，例如瀏覽器中的按鈕點擊。

您可以在終端機中使用以下命令安裝這些庫：

pip install requests beautifulsoup4 selenium

在使用 Selenium 之前，您必須安裝與您的瀏覽器相符的網(wǎng)路驅(qū)動程式。在本教學(xué)中，我們將使用 Google Chrome 和 ChromeDriver。不過，您可以對 Firefox 或 Edge 等其他瀏覽器執(zhí)行類似的步驟。

安裝網(wǎng)路驅(qū)動程式

1. 檢查您的瀏覽器版本：

2. 開啟 Google Chrome 並導(dǎo)覽至 幫助 >關(guān)於 Google Chrome 從三點選單中尋找 Chrome 版本。

3. 下載 ChromeDriver:

4. 造訪 ChromeDriver 下載頁面。

5. 下載與您的 Chrome 版本相符的驅(qū)動程式版本。

6. 將 ChromeDriver 新增至您的系統(tǒng)路徑：
   解壓縮下載的檔案並將其放置在 /usr/local/bin (Mac/Linux) 或 C:WindowsSystem32 (Windows) 等目錄中。

驗證安裝

在專案目錄中初始化一個 Python 檔案 scraper.py 並透過執(zhí)行以下程式碼片段來測試一切設(shè)定是否正確：

from selenium import webdriver
driver = webdriver.Chrome() # Ensure ChromeDriver is installed and in PATH
driver.get("https://www.scrapingcourse.com/button-click")
print(driver.title)
driver.quit()

您可以透過在終端機上執(zhí)行以下命令來執(zhí)行上述檔案程式碼：

pip install requests beautifulsoup4 selenium

如果上面的程式碼運行沒有錯誤，它將啟動瀏覽器介面並打開演示頁面 URL，如下所示：

Selenium 隨後將提取 HTML 並列印頁面標(biāo)題。你會看到這樣的輸出 -

from selenium import webdriver
driver = webdriver.Chrome() # Ensure ChromeDriver is installed and in PATH
driver.get("https://www.scrapingcourse.com/button-click")
print(driver.title)
driver.quit()

這將驗證 Selenium 是否可以使用。安裝所有要求並準(zhǔn)備使用後，您可以開始存取演示頁面的內(nèi)容。

第 2 步：存取內(nèi)容

第一步是取得頁面的初始內(nèi)容，這將為您提供頁面 HTML 的基線快照。這將幫助您驗證連線並確保抓取過程的有效起點。

您將透過使用 Python 中的 Requests 庫發(fā)送 GET 請求來檢索頁面 URL 的 HTML 內(nèi)容。程式碼如下：

python scraper.py

上面的程式碼將輸出包含前 12 個產(chǎn)品資料的原始 HTML。

HTML 的快速預(yù)覽可確保請求成功並且您正在使用有效的資料。

第 3 步：載入更多產(chǎn)品

要存取剩餘的產(chǎn)品，您需要以程式設(shè)計方式點擊頁面上的「載入更多」按鈕，直到?jīng)]有更多產(chǎn)品可用。由於此交互涉及 JavaScript，因此您將使用 Selenium 來模擬按鈕單擊。

在編寫程式碼之前，我們先檢查一下頁面以定位：

• 「載入更多」 按鈕選擇器 (load-more-btn)。
• 儲存產(chǎn)品詳細資料的 div (product-item)。

您將透過載入更多產(chǎn)品來獲得所有產(chǎn)品，透過執(zhí)行以下程式碼為您提供更大的資料集：

Load More Button Challenge to Learn Web Scraping - ScrapingCourse.com

此程式碼開啟瀏覽器，導(dǎo)航至頁面，並與「載入更多」按鈕互動。然後提取更新後的 HTML（現(xiàn)在包含更多產(chǎn)品資料）。

如果你不希望Selenium每次執(zhí)行這段程式碼時都打開瀏覽器，它還提供了無頭瀏覽器功能。無頭瀏覽器具有實際 Web 瀏覽器的所有功能，但沒有圖形使用者介面 (GUI)。

您可以透過定義 ChromeOptions 物件並將其傳遞給 WebDriver Chrome 建構(gòu)函數(shù)，在 Selenium 中啟用 Chrome 的無頭模式，如下所示：

import requests
# URL of the demo page with products
url = "https://www.scrapingcourse.com/button-click"
# Send a GET request to the URL
response = requests.get(url)
# Check if the request was successful
if response.status_code == 200:
    html_content = response.text
    print(html_content) # Optional: Preview the HTML
else:
    print(f"Failed to retrieve content: {response.status_code}")

當(dāng)您執(zhí)行上述程式碼時，Selenium 將啟動一個無頭 Chrome 實例，因此您將不再看到 Chrome 視窗。這對於在伺服器上執(zhí)行抓取腳本時不想在 GUI 上浪費資源的生產(chǎn)環(huán)境來說是理想的選擇。

現(xiàn)在已檢索到完整的 HTML 內(nèi)容，是時候提取有關(guān)每個產(chǎn)品的具體詳細資訊了。

第四步：解析產(chǎn)品訊息

在此步驟中，您將使用 BeautifulSoup 解析 HTML 並識別產(chǎn)品元素。然後，您將提取每個產(chǎn)品的關(guān)鍵詳細信息，例如名稱、價格和連結(jié)。

pip install requests beautifulsoup4 selenium

在輸出中，您應(yīng)該看到產(chǎn)品詳細資訊的結(jié)構(gòu)化列表，包括名稱、圖像 URL、價格和產(chǎn)品頁面鏈接，如下所示 -

from selenium import webdriver
driver = webdriver.Chrome() # Ensure ChromeDriver is installed and in PATH
driver.get("https://www.scrapingcourse.com/button-click")
print(driver.title)
driver.quit()

上面的程式碼將原始 HTML 資料組織成結(jié)構(gòu)化格式，使其更容易使用和準(zhǔn)備輸出資料以進行進一步處理。

第 5 步：將產(chǎn)品資訊匯出到 CSV

您現(xiàn)在可以將提取的資料組織到 CSV 檔案中，這使得分析或共用變得更加容易。 Python 的 CSV 模組對此有所幫助。

python scraper.py

上述程式碼將建立一個新的 CSV 文件，其中包含所有必需的產(chǎn)品詳細資訊。

以下是概述的完整程式碼：

Load More Button Challenge to Learn Web Scraping - ScrapingCourse.com

上面的程式碼將建立一個 products.csv，如下所示：

import requests
# URL of the demo page with products
url = "https://www.scrapingcourse.com/button-click"
# Send a GET request to the URL
response = requests.get(url)
# Check if the request was successful
if response.status_code == 200:
    html_content = response.text
    print(html_content) # Optional: Preview the HTML
else:
    print(f"Failed to retrieve content: {response.status_code}")

第 6 步：取得熱門產(chǎn)品的額外數(shù)據(jù)

現(xiàn)在，假設(shè)您想要識別價格最高的前 5 個產(chǎn)品，並從其各個頁面中提取其他資料（例如產(chǎn)品描述和 SKU 程式碼）。您可以使用以下程式碼來做到這一點：

from selenium import webdriver
from selenium.webdriver.common.by import By
import time
# Set up the WebDriver (make sure you have the appropriate driver installed, e.g., ChromeDriver)
driver = webdriver.Chrome()
# Open the page
driver.get("https://www.scrapingcourse.com/button-click")
# Loop to click the "Load More" button until there are no more products
while True:
    try:
        # Find the "Load more" button by its ID and click it
        load_more_button = driver.find_element(By.ID, "load-more-btn")
        load_more_button.click()
        # Wait for the content to load (adjust time as necessary)
        time.sleep(2)
    except Exception as e:
        # If no "Load More" button is found (end of products), break out of the loop
        print("No more products to load.")
        break
# Get the updated page content after all products are loaded
html_content = driver.page_source
# Close the browser window
driver.quit()

以下是概述的完整程式碼：

from selenium import webdriver
from selenium.webdriver.common.by import By

import time

# instantiate a Chrome options object
options = webdriver.ChromeOptions()

# set the options to use Chrome in headless mode
options.add_argument("--headless=new")

# initialize an instance of the Chrome driver (browser) in headless mode
driver = webdriver.Chrome(options=options)

...

此程式碼依價格降序?qū)Ξa(chǎn)品進行排序。然後，對於價格最高的前 5 個產(chǎn)品，腳本打開其產(chǎn)品頁面並使用 BeautifulSoup 提取產(chǎn)品描述和 SKU。

上面程式碼的輸出會是這樣的：

from bs4 import BeautifulSoup
# Parse the page content with BeautifulSoup
soup = BeautifulSoup(html_content, 'html.parser')
# Extract product details
products = []
# Find all product items in the grid
product_items = soup.find_all('div', class_='product-item')
for product in product_items:
    # Extract the product name
    name = product.find('span', class_='product-name').get_text(strip=True)

    # Extract the product price
    price = product.find('span', class_='product-price').get_text(strip=True)

    # Extract the product link
    link = product.find('a')['href']

    # Extract the image URL
    image_url = product.find('img')['src']

    # Create a dictionary with the product details
    products.append({
        'name': name,
        'price': price,
        'link': link,
        'image_url': image_url
})
# Print the extracted product details
for product in products[:2]:
    print(f"Name: {product['name']}")
    print(f"Price: {product['price']}")
    print(f"Link: {product['link']}")
    print(f"Image URL: {product['image_url']}")
    print('-' * 30)

上面的程式碼將更新 products.csv，它現(xiàn)在將具有以下資訊：

Name: Chaz Kangeroo Hoodie
Price: 
Link: https://scrapingcourse.com/ecommerce/product/chaz-kangeroo-hoodie
Image URL: https://scrapingcourse.com/ecommerce/wp-content/uploads/2024/03/mh01-gray_main.jpg
------------------------------
Name: Teton Pullover Hoodie
Price: 
Link: https://scrapingcourse.com/ecommerce/product/teton-pullover-hoodie
Image URL: https://scrapingcourse.com/ecommerce/wp-content/uploads/2024/03/mh02-black_main.jpg
------------------------------
…

結(jié)論

使用無限滾動或「加載更多」按鈕抓取頁面似乎具有挑戰(zhàn)性，但使用 Requests、Selenium 和 BeautifulSoup 等工具可以簡化該過程。

本教學(xué)展示如何從示範(fàn)頁面檢索和處理產(chǎn)品數(shù)據(jù)，並將其儲存為結(jié)構(gòu)化格式以便快速輕鬆地存取。

在此處查看所有程式碼片段。

以上是使用'加載更多”按鈕抓取無限滾動頁面：逐步指南的詳細內(nèi)容。更多資訊請關(guān)注PHP中文網(wǎng)其他相關(guān)文章！