Question

从此网站： https://search2.ucl.ac.uk/s/search.html?query=max&collection=website-meta&profile=_directory&tab=directory&f.Profile+Type%7Cg=Student&start_rank=1

我需要使用Selenium或LXML抓取下一页2、3...。我只能刮第一页

Answer 1

您可以尝试以下方法：

nextNumberIsThere = True
i=1
while nextNumberIsThere:
    driver.execute_script("document.body.scrollHeight");
    profileDetails = driver.find_elements_by_xpath("//ul[@class='profile-details']/li")
    for element in profileDetails:
        print(element.text)
    next = driver.find_elements_by_xpath("//a[text()='"+str(i)+"']")
    i+=1
    if len(next) > 0:
        next[0].click()
    else:
        nextNumberIsThere = False

上面的代码将迭代并获取数据，直到没有数字为止。

如果要分别获取名称，部门，电子邮件，请尝试以下代码：

nextNumberIsThere = True
i=1
while nextNumberIsThere:
    driver.execute_script("document.body.scrollHeight");
    profileDetails = driver.find_elements_by_xpath("//ul[@class='profile-details']")
    for element in profileDetails:
        name = element.find_element_by_xpath("./li[@class='fn']")
        department = element.find_elements_by_xpath("./li[@class='org']")
        email = element.find_element_by_xpath("./li[@class='email']")
        print(name.text)
        print(department.text)
        print(email.text)
        print("------------------------------")
        next = driver.find_elements_by_xpath("//a[text()='"+str(i)+"']")
    i+=1
    if len(next) > 0:
        next[0].click()
    else:
        nextNumberIsThere = False

希望对您有帮助...

Answer 2

更改网址中的start_rank。例如：

https://search2.ucl.ac.uk/s/search.html?query=max&collection=website-meta&profile=_directory&tab=directory&f.Profile+Type%7Cg=Student&start_rank=11

Answer 3

解决此类问题的常用方法不是使用循环遍历“所有页面”的循环（因为您不知道前面有多少个页面），而是有某种队列，其中抓取一页可以选择将后续页面添加到队列中，以便稍后进行抓取。

在您的特定示例中，在抓取每个页面的过程中，您可以查找到“下一页”的链接，如果有，则将下一页的URL添加到队列中，这样它将在当前页面之后被抓取；当您点击没有“下一页”链接的页面时，队列将为空，并且抓取将停止。一个更复杂的示例可能包括抓取类别页面，并将其每个子类别作为后续页面添加到抓取队列中，每个子页面又可能将多个项目页面添加到队列中，等等。

看看Scrapy之类的抓取框架，这些抓取框架在其设计中很容易包含此类功能。您可能还会发现其一些其他功能也很有用，例如使用XPath或CSS选择器在页面上查找元素的能力。

Scrapy主页上的第一个示例完全显示了您要实现的功能类型：

class BlogSpider(scrapy.Spider):
    name = 'blogspider'
    start_urls = ['https://blog.scrapinghub.com']

    def parse(self, response):
        for title in response.css('.post-header>h2'):
            yield {'title': title.css('a ::text').get()}

        for next_page in response.css('a.next-posts-link'):
            yield response.follow(next_page, self.parse)

关于Scrapy的一个重要说明：它不使用Selenium（至少不是开箱即用），而是下载页面源并对其进行解析。这意味着它无法运行JavaScript，如果您要抓取的网站是客户端生成的，这可能对您来说是个问题。在那种情况下，您可以研究结合了Scrapy和Selenium的解决方案（快速搜索显示了其中的一堆，以及有关此问题的StackOverflow答案），或者您可以坚持使用Selenium抓取代码并自己实现排队机制，而无需Scrapy。

递归地进行Python网站转义（下一页）

3 个答案: