如何通过Python抓取动态网页

时间:2015-11-19 05:18:52

标签: python html web-scraping beautifulsoup scrape

[我正在尝试做什么]

在下面的网页上搜索二手车数据 http://www.goo-net.com/php/search/summary.php?price_range=&pref_c=08,09,10,11,12,13,14&easysearch_flg=1

[问题]

刮掉整个页面。在上面的网址中,只显示了前30个项目。这些可能会被我写的下面的代码所刮掉。其他页面的链接显示为1 2 3 ...但链接地址似乎是在Javascript中。我搜索了有用的信息,但找不到任何信息。

from bs4 import BeautifulSoup
import urllib.request

html = urllib.request.urlopen("http://www.goo-net.com/php/search/summary.php?price_range=&pref_c=08,09,10,11,12,13,14&easysearch_flg=1")

soup = BeautifulSoup(html, "lxml")
total_cars = soup.find(class_="change change_01").find('em').string
tmp = soup.find(class_="change change_01").find_all('span')
car_start, car_end = tmp[0].string, tmp[1].string

# get urls to car detail pages
car_urls = []
heading_inners = soup.find_all(class_="heading_inner")
for heading_inner in heading_inners:
    href = heading_inner.find('h4').find('a').get('href')
    car_urls.append('http://www.goo-net.com' + href)

for url in car_urls:
    html = urllib.request.urlopen(url)
    soup = BeautifulSoup(html, "lxml")
    #title
    print(soup.find(class_='hdBlockTop').find('p', class_='tit').string)
    #price of car itself
    print(soup.find(class_='price1').string)
    #price of car including tax
    print(soup.find(class_='price2').string)

    tds = soup.find(class_='subData').find_all('td')
    # year
    print(tds[0].string)
    # distance
    print(tds[1].string)
    # displacement
    print(tds[2].string)
    # inspection
    print(tds[3].string)

[我想知道的]

如何抓取整个页面。我更喜欢使用BeautifulSoup4(Python)。但如果这不是合适的工具,请告诉我其他工具。

[我的环境]

  • Windows 8.1
  • Python 3.5
  • PyDev(Eclipse)
  • BeautifulSoup4

任何指导都将不胜感激。谢谢。

2 个答案:

答案 0 :(得分:4)

python模块splinter可能是一个很好的起点。它调用外部浏览器(如Firefox)并访问浏览器的DOM而不是仅处理HTML。

答案 1 :(得分:4)

您可以使用selenium,例如以下示例:

from selenium import webdriver
driver = webdriver.Firefox()
driver.get('http://example.com')
element = driver.find_element_by_class_name("yourClassName") #or find by text or etc
element.click()