我要从此页面(以及与之相似的页面)中抓取数据:https://cereals.ahdb.org.uk/market-data-centre/historical-data/feed-ingredients.aspx
此页面使用Power BI。不幸的是,找到一种报废Power BI的方法很困难,因为每个人都想报废使用/报废Power BI,而不是从报废。最接近的答案是this question。仍然无关。
首先,我使用了Apache tika,很快我意识到在加载页面之后正在加载表数据。我需要页面的渲染版本。
因此,我使用了Selenium。我想一开始Select All
(发送Ctrl+A
组合键),但是它不起作用。也许是受页面事件的限制(我也尝试使用开发人员工具删除所有事件,但Ctrl+A
仍然无效。
我也尝试读取HTML内容,但是Power BI使用div
在屏幕上放置position:absolute
元素,并区分表中div
的位置(行和列) )是一项艰苦的活动。
由于Power BI使用JSON,因此我尝试从那里读取数据。但是,它是如此复杂,以至于我找不到规则。似乎将关键字放在某个位置并在表中使用它们的索引。
注意:我意识到所有数据都不会加载,甚至不会同时显示。类div
的{{1}}负责充当滚动条,并进行移动以加载/显示数据的其他部分。
我用来读取数据的代码如下。如上所述,生成的数据的顺序与在浏览器上呈现的顺序不同:
scroll-bar-part-bar
我感谢您解决上述任何问题。对于我来说,最有趣的是约定以JSON格式存储Power BI数据。
答案 0 :(得分:3)
有关您正尝试剪贴的数据的更多详细信息将有助于构建规范的答案。但是,要使用Selenium在商品和基础中抓取数据,因为所需的元素在<iframe>
中,因此您必须:
frame_to_be_available_and_switch_to_it()
引入 WebDriverWait 。visibility_of_element_located()
诱导 WebDriverWait 。visibility_of_all_elements_located()
生成 WebDriverWait 。您可以使用以下Locator Strategies:
代码块:
from selenium import webdriver
from selenium.webdriver.common.by import By
from selenium.webdriver.support.ui import WebDriverWait
from selenium.webdriver.support import expected_conditions as EC
options = webdriver.ChromeOptions()
options.add_argument("start-maximized")
options.add_experimental_option("excludeSwitches", ["enable-automation"])
options.add_experimental_option('useAutomationExtension', False)
driver = webdriver.Chrome(options=options, executable_path=r'C:\Utility\BrowserDrivers\chromedriver.exe')
driver.get("https://ahdb.org.uk/cereals-oilseeds/feed-ingredient-prices")
WebDriverWait(driver, 20).until(EC.frame_to_be_available_and_switch_to_it((By.TAG_NAME,"iframe")))
WebDriverWait(driver, 20).until(EC.visibility_of_element_located((By.CSS_SELECTOR, "div.innerContainer")))
print("Commodity:")
print([my_elem.text for my_elem in WebDriverWait(driver, 20).until(EC.visibility_of_all_elements_located((By.XPATH, "//div[@class='pivotTableCellWrap cell-interactive tablixAlignLeft ' and starts-with(@title, 'Ex-')]//parent::div//preceding::div[1]")))])
print("-=-=-=-=-=-")
print("Basis:")
print([my_elem.text for my_elem in WebDriverWait(driver, 20).until(EC.visibility_of_all_elements_located((By.CSS_SELECTOR, "div.pivotTableCellWrap.cell-interactive.tablixAlignLeft[title^='Ex-']")))])
控制台输出:
Commodity:
['Argentine Sunflowermeal 32/33%', 'Maize Gluten Feed', 'Pelleted Wheat Feed', 'Rapemeal (34%)', 'Soyameal (Hi Pro)', 'Soyameal, Brazilian (48%)']
-=-=-=-=-=-
Basis:
['Ex-Store Liverpool', 'Ex-Store Liverpool', 'Ex-Mill Midlands and Southern Mills', 'Ex-Mill Erith', 'Ex-Store East Coast', 'Ex-Store Liverpool']
根据您的评论以及赏金解释中的给定链接,请使用{{从标题
代码块:
from selenium import webdriver
from selenium.webdriver.support.ui import WebDriverWait
from selenium.webdriver.common.by import By
from selenium.webdriver.support import expected_conditions as EC
options = webdriver.ChromeOptions()
options.add_argument("start-maximized")
options.add_experimental_option("excludeSwitches", ["enable-automation"])
options.add_experimental_option('useAutomationExtension', False)
driver = webdriver.Chrome(options=options, executable_path=r'C:\WebDrivers\chromedriver.exe')
driver.get("https://app.powerbi.com/view?r=eyJrIjoiMzE1ODNmYzQtMWZhYS00NTNjLTg1MDUtOTQ2MGMyNDVkZTY3IiwidCI6IjE2M2FjNDY4LWFiYjgtNDRkMC04MWZkLWQ5ZGIxNWUzYWY5NiIsImMiOjh9")
WebDriverWait(driver, 20).until(EC.element_to_be_clickable((By.XPATH, "//span[@class='navigation-wrapper navigation-wrapper-big']//i[@title='Next Page']"))).click()
print("Country:")
print([my_elem.text for my_elem in WebDriverWait(driver, 20).until(EC.visibility_of_all_elements_located((By.XPATH, "//div[@class='bodyCells']//div[@class='pivotTableCellWrap cell-interactive ']")))[:20]])
driver.quit()
控制台输出:
DevTools listening on ws://127.0.0.1:49438/devtools/browser/1b5a2590-5a90-47fd-93c7-cfcf58a6c241
Country:
['Myanmar', 'Myanmar', 'Mozambique', 'Malawi', 'Malawi', 'Mozambique', 'Malawi', 'Malawi', 'Malawi', 'Malawi', 'Malawi', 'Malawi', 'Malawi', 'Malawi', 'Malawi', 'Malawi', 'Malawi', 'Myanmar', 'Myanmar', 'Myanmar']
控制台输出快照:
答案 1 :(得分:0)
除了滚动部分和JSON外,我设法读取了数据。关键是读取父级内部的所有元素(在问题中完成):
parent = driver.find_element_by_xpath('//*[@id="pvExplorationHost"]/div/div/div/div[2]/div/div[2]/div[2]/visual-container[4]/div/div[3]/visual/div')
children = parent.find_elements_by_xpath('.//*')
然后使用其位置对它们进行排序:
x = [child.location['x'] for child in children]
y = [child.location['y'] for child in children]
index = np.lexsort((x,y))
要对我们在不同行中阅读的内容进行排序,此代码可能会有所帮助:
rows = []
row = []
last_line = y[index[0]]
for i in index:
if last_line != y[i]:
row.append[children[i].get_attribute('title')]
else:
rows.append(row)
row = list([children[i].get_attribute('title')]
rows.append(row)