抓取 或网络抓取 是一种用于以自动方式从网站提取数据的技术。它包括使用程序或脚本导航网页、提取特定信息（例如文本、图像、产品价格等）并保存。
在这篇文章中，我将教我用来做
抓取的过程以及做这件事时要记住的要点。
就我而言，我将在 pccomponentes 中执行
scraping 来收集有关笔记本电脑的信息。这些数据将用于创建一个数据集，作为机器学习模型的基础，旨在根据指定的组件预测笔记本电脑的价格。
首先，需要确定脚本应该访问哪个 url 来执行
抓取：
在这种情况下，如果我们查看 pccomponentes url，我们可以看到它通过 url 传递了一个参数，我们可以使用该参数来指定我们要搜索的内容。
完成后，我们将看到搜索结果：
此后，我们将使用几乎所有浏览器都集成的开发者工具：
右键单击，然后选择“检查”选项，开发者工具将打开，我们将看到以下内容：
anchor类型的标签（），其中包含有关我们在搜索结果中看到的产品的大量信息。
如果我们查看以下区域，我们将看到几乎所有的产品数据：
准备好了！我们有从中提取数据的区域。现在是时候创建脚本来提取它们了。
但是我们遇到了一个问题：如果你直接访问pccomponentes，它总是要求我们接受cookie策略。因此，我们无法发出 get 请求并
抓取结果，因为我们不会得到任何东西。
因此，我们必须使用selenium来模拟浏览器并能够与其交互。
我们首先执行以下操作：
from selenium import webdriverfrom selenium.webdriver.firefox.options import optionsfrom selenium.webdriver.support.ui import webdriverwaitfrom selenium.webdriver.support import expected_conditions as ecfrom selenium.webdriver.common.by import byoptions = options()options.headless = true#abrimos el navegadordriver = webdriver.firefox(options=options)time.sleep(5)#vamos a la página indicada pccomponentes.com/laptopsdriver.get(url+str(i))#esperamos 30 segundos hasta que aparezca el botón de cookies y al aparecer hace clicaccept_cookies = webdriverwait(driver, 30).until( ec.presence_of_element_located((by.id, 'cookiesacceptall'))) accept_cookies.click()#descargamos el htmlhtml = driver.page_source
完成后，在 html 变量中我们将获取页面的 html 代码来
scrape.
然而，我们遇到了另一个问题。当使用 selenium 打开浏览器并发出 2 或 3 个请求时，cloudflare 会限制请求并且不允许我们发出更多请求。因此，我们只能
抓取大约 3 个页面，这将是大约 20 台不同的计算机。不足以制作数据集。
我想到的一个解决方案是在本地下载页面并在本地使用 html。完成
抓取后，我们可以打开另一个浏览器（等待合理的时间）并下载以下浏览器。
所以我将上面的代码添加到一个函数中，并将其包装在
for 中，如下所示：
#función que se conecta a pccomponentes y guarda el html en local def guarda_datos_html(i=0): try: options = options() options.headless = true #abrimos el navegador driver = webdriver.firefox(options=options) time.sleep(5) #vamos a la página indicada pccomponentes.com/laptops driver.get(url+str(i)) #esperamos 30 segundos hasta que aparezca el botón de cookies y al aparecer hace clic accept_cookies = webdriverwait(driver, 30).until( ec.presence_of_element_located((by.id, 'cookiesacceptall')) ) accept_cookies.click() #descargamos el html html = driver.page_source #lo guardamos en local with open(f'html/laptops_{i}.html','w',encoding="utf-8") as document: document.write(html) driver.close() except: print(f'error en página: {i}')for i in range(0,58): guarda_datos_html(i) time.sleep(30)
现在我们可以恢复 html 并使用它们。为此，我安装了
beautifulsoup，这是一个在scraping中经常使用的包。
由于之前的功能，我们将开发从我们下载的 html 中收集信息的功能。
函数看起来像这样：
# Función que abre el HTML guardado con anterioridad y filtra los datos# para guardarlos en un CSV ordenadosdef get_datos_html(i=0): try: with open(f'laptop_data_actual.csv','a') as ldata: field = ['Company','Inches','Cpu','Ram','Gpu','OpSys','SSD','Price'] writer = csv.DictWriter(ldata, fieldnames=field) with open(f'html/laptops_{i}.html','r',encoding="utf-8") as document: html = BeautifulSoup(document.read(), 'html.parser') products = html.find_all('a') for element in products: pc = element.get('data-product-name') if pc: pc = pc.lower() marca = element.get('data-product-brand') price = element.get('data-product-price') pc_data = pc.split('/') cpu = pc_data[0].split(' ') cpu = buscar_cpu(cpu) gpu = buscar_gpu(pc_data) inches = '.'.join([s for s in re.findall(r'bd+b', pc_data[-1])]) OpSys = bucar_opsys(pc_data, marca) row = { 'Company': marca, 'Inches': inches, 'Cpu': cpu, 'Ram': pc_data[1], 'Gpu': gpu, 'OpSys': OpSys, 'SSD': pc_data[2], 'Price': price } writer.writerow(row) except: print(f'Error en página: {i}')
基本上，我们打开 csv 文件，在其中保存信息，然后告诉 csv 我们希望它具有哪些字段，然后读取并使用 html。正如您所看到的，我必须执行一些额外的函数才能从我们想要保存在 csv 中的每个字段中提取必要的信息。
我在这里给你留下了完整的脚本，以防你想尝试一下！
pc组件刮板
以上就是如何刮的详细内容，更多请关注创想鸟其它相关文章！
版权声明：本文内容由互联网用户自发贡献，该文观点仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。
如发现本站有涉嫌抄袭侵权/违法违规的内容， 请发送邮件至 chuangxiangniao@163.com 举报，一经查实，本站将立刻删除。
发布者：程序猿，转转请注明出处：https://www.chuangxiangniao.com/p/1349034.html
微信扫一扫 
支付宝扫一扫 
