Question

我想获取分支机构和ATM（仅）及其地址的列表。

我正在尝试刮擦：

url="https://www.ocbcnisp.com/en/hubungi-kami/lokasi-kami"

from bs4 import BeautifulSoup
from selenium import webdriver    
from selenium.webdriver.support.ui    
import WebDriverWait    
from selenium.webdriver.support    
import expected_conditions as EC    
from selenium.webdriver.common.by import By    
from selenium.common.exceptions import TimeoutException

driver = webdriver.Chrome()    
driver.get(URL)    
soup = BeautifulSoup(driver.page_source, 'html.parser')
driver.quit()

import re    
import pandas as pd

Branch_list=[]    
Address_list=[]

for i in soup.find_all('div',class_="ocbc-card ocbc-card--location"):
    Branch=soup.find_all('p',class_="ocbc-card__title")
    Address=soup.find_all('p',class_="ocbc-card__desc")
    
for j in Branch:
    j = re.sub(r'<(.*?)>', '', str(j))
    j = j.strip()
    Branch_list.append(j)

for k in Address:
    k = re.sub(r'<(.*?)>', '', str(k))
    k = k.strip()
    Address_list.append(k)

OCBC=pd.DataFrame()    
OCBC['Branch_Name']=Branch_list    
OCBC['Address']=Address_list

这在第一页上为我提供了必需的信息，但是我想在所有页面上都做得到。有人可以建议吗？

Answer 1

使用python尝试以下方法- requests 涉及请求时，需要简单，直接，可靠，快速且更少的代码。检查Google chrome浏览器的网络部分后，我已经从网站本身获取了API URL。

下面的脚本到底在做什么：

首先，它将使用使用大写字母，标头，有效负载和动态参数创建的API URL，然后执行POST请求。
有效负载是动态的，您可以在参数中传递任何有效值，并且每次您想从站点中获取内容时都会为您创建数据。（重要的是不要更改Page_No参数的值）。 / p>
获取数据脚本后，将使用json.loads库解析JSON数据。

最后，它将遍历每次迭代或页面中获取的地址列表中的所有地址，例如：-地址，名称，电话号码，传真，城市等，您可以根据需要修改这些属性。 / p>

def scrap_atm_data():

PAGE_NO = 1
url = "https://www.ocbcnisp.com/api/sitecore/ContactUs/GetMapsList" #API URL

headers = {
    'content-type': 'application/x-www-form-urlencoded',
    'cookie': 'ocbc#lang=en; ASP.NET_SessionId=xb3nal2u21pyh0rnlujvfo2p; sxa_site=OCBC; ROUTEID=.2; nlbi_1130533=goYxXNJYEBKzKde7Zh+2XAAAAADozEuZQihZvBGZfxa+GjRf; visid_incap_1130533=1d1GBKkkQPKgTx+24RCCe6CPql8AAAAAQUIPAAAAAAChaTReUWlHSyevgodnjCRO; incap_ses_1185_1130533=hofQMZCe9WmvOiUTXvdxEKGPql8AAAAAvac5PaS0noMc+UXHbHc1DA==; SC_ANALYTICS_GLOBAL_COOKIE=e0aa2fcca70c4d999a32fc1f74d09fc8|True; incap_ses_707_1130533=OcSGOGJw3joFLj7x/8TPCVuWql8AAAAAlY3z7ZcDzd/Kba5s5UgLPQ==',       
    }#header and type !Important to add both headers

while True:
    print('Creating new payload data for page no : ' + str(PAGE_NO))
    payload = 'currPage=' + str(PAGE_NO) + '&query=&dsLocationResult=%7B76EE6530-2A27-46A7-8B32-52E3DAE19DC3%7D&itemId=%7BC59FD793-38C1-444C-9612-1E3A3019BED3%7D'

    response = requests.post(url, data=payload, headers=headers,verify=False)
    result = json.loads(response.text) #Parse result using JSON loads
    print('Created new payload now going to fetch data...')

    if len(result) == 0:
        break
    else:
        extracted_data = result['listItem']
        for data in extracted_data:
            print('-' * 100)
            print('Fetching data for -> ' , data['name'])
            print('Name : ', data['name'])
            print('Address : ', data['alamat'])
            print('City : ',data['city'])
            print('fax : ', data['fax'])
            print('Operating Hours : ',data['operation_hour'])
            print('Telephone Number : ',data['telp'])
            print('Location Type : ',data['type_location'])
            print('-' * 100)
        PAGE_NO += 1 #increment page number after each iteration to scrap more data
scrap_atm_data()

URL不变时如何在网页抓取中遍历页面

1 个答案: