Question

我正在尝试抓取https://www.prosportstransactions.com/football/Search/SearchResults.php?Player=&Team=&BeginDate=&EndDate=&PlayerMovementChkBx=yes&submit=Search&start=0

的每一页

现在，我有可以迭代更改URL的代码。然后将URL传递到硒驱动程序中以获取HTML内容。然后将内容放入BeautifulSoup中进行处理。我的问题是我随机收到以下消息（在不同的页面上随机发生，这会导致程序崩溃。没有一致的页面会导致失败）：

Traceback (most recent call last):
  File "scrape.py", line 89, in <module>
   i, i + 5000)
  File "scrape.py", line 37, in scrapeWebsite
    extractedInfo = info.findAll("td")
AttributeError: 'NoneType' object has no attribute 'findAll'

i，i + 5000用于循环迭代地更新页面，因此并不重要。

以下是进行HTML抓取的代码：

driver = webdriver.Chrome(executable_path='/Users/Downloads/chromedriver')
print(start, stop)


madeDict = {"Date": [], "Team": [], "Name": [], "Relinquished": [], "Notes": []}

#for i in range(0, 214025, 25):
for i in range(start, stop, 25):
    print("Current Page: " + str(i))
    currUrl = url + str(i)
    driver.get(currUrl)
    driver.implicitly_wait(100
    soupPage = BeautifulSoup(driver.page_source, 'html.parser')
    #page = urllib2.urlopen(currUrl)
    #soupPage = BeautifulSoup(page, 'html.parser')

    # #Sleep the program to ensure page is fully loaded
    # time.sleep(1)

    info = soupPage.find("table", attrs={'class': 'datatable center'})
    extractedInfo = info.findAll("td")

我的猜测是页面未完成加载，因此当它尝试获取内容时，标签可能不存在。但是，我认为Selenium阻止了动态加载网页时出现的问题，以确保在BeautifulSoup抓取信息之前页面已完全加载。我在看其他帖子，有人说我需要等待程序才能动态加载页面，但是我尝试了一下，仍然遇到相同的错误。

Answer 1

不使用硒执行，而是使用请求。

import requests
from bs4 import BeautifulSoup

url='https://www.prosportstransactions.com/football/Search/SearchResults.php?Player=&Team=&BeginDate=&EndDate=&PlayerMovementChkBx=yes&submit=Search&start='

for i in range(0, 214025, 25):
    print("Current Page: " + str(i))
    r=requests.get(url + str(i))
    soup = BeautifulSoup(r.content)
    info = soup.find("table", attrs={'class': 'datatable center'})
    extractedInfo = info.findAll("td")
    print(extractedInfo)

如何修复在某些网站上但不是全部页面上在同一网站上工作的BeautifulSoup / Selenium？

1 个答案: