Question

我正在尝试网络抓取具有多个由Javascript呈现的页面的网站。我正在使用BeautifulSoup和Selenium。我有一个仅适用于网站首页的脚本。是否可以对多个JavaScript呈现的网页进行网络抓取，或者我需要单独进行处理？这是我的脚本：

jsp

谢谢。

Answer 1

问题在这里：

您正在将requests.get()与browser.get()混合在一起。这里完全不需要requests模块，因为您是通过无头浏览器获取页面的。
第一页不需要特殊情况。 https://cnx.org/search?q=subject:Arts&page=1工作正常。
time.sleep()应该在browser.get()和解析之间，以允许页面完全加载后再将其提供给BeautifulSoup。
一旦所有页面都被抓取，您应该在data循环之外将for写到JSON文件。
也可以在for循环之外退出浏览器，而不是一次迭代。
为避免编码错误，请在写入JSON文件时指定编码：open("js-webscrape.json", "w", encoding="utf-8")

这是一个可抓取全部7页的有效实现：

import time
from bs4 import BeautifulSoup as soup
from selenium import webdriver
from selenium.webdriver.chrome.options import Options
import json

# The path to where you have your chrome webdriver stored:
webdriver_path = '/Users/Gebruiker/Downloads/chromedriver_win32/chromedriver'

# Add arguments telling Selenium to not actually open a window
chrome_options = Options()
chrome_options.add_argument('--headless')

# Fire up the headless browser
browser = webdriver.Chrome(executable_path = webdriver_path, options = chrome_options)

# Load webpage
url = "https://cnx.org/search?q=subject:Arts"

data = []
n = 7
for i in range(1, n+1):
    response = browser.get(url + "&page=" + str(i))
    time.sleep(5)

    # Parse HTML
    page_soup = soup(browser.page_source,'lxml')
    containers = page_soup.findAll("tr")

    for container in containers:
        item = dict()
        item['type'] = "Course Material"
        if container.find('td', {'class' : 'title'}):
            item['title'] = container.find('td', {'class' : 'title'}).h4.text.strip()
        else:
            item['title'] = ""
        if container.find('td', {'class' : 'authors'}):
            item['author'] = container.find('td', {'class' : 'authors'}).text.strip()
        else:
            item['author'] = ""
        if container.find('td', {'class' : 'title'}):
            item['link'] = "https://cnx.org/" + container.find('td', {'class' : 'title'}).a["href"]
        else:
            item['link'] = ""
        if container.find('td', {'class' : 'title'}):
            item['description'] = container.find('td', {'class' : 'title'}).span.text
        else:
            item['description'] = ""
        item['subject'] = "Arts"
        item['source'] = "OpenStax CNX"
        item['base_url'] = "https://cnx.org/browse"
        item['license'] = "Attribution"
        data.append(item) # add the item to the list

# write data to file and quit browser when done
print(data)
with open("js-webscrape.json", "w", encoding="utf-8") as writeJSON:
    json.dump(data, writeJSON, ensure_ascii=False)

browser.quit()

一次Web抓取多个JS页面

1 个答案: