排列规则的链接为可以列表块。
列表块范围在主视图区域内为目标列表。
先看下识别结果:
列表识别结果图
提取列表区域xpath宏观分成 三个大步骤
1.可疑列表区域提取
在进行可疑列表区域提取之前需要做一些预处理:因为selenium只能定位到页面上的可见元素,所以先用selenium的
find_elements_by_xpath("//a") 获取所有 可见的 ,并对定位到的元素 创建新属性canSee并赋值yeap :
self.__web_driver.execute_script("arguments[0].setAttribute('can-see','yeap');",
link) (其实你想属性叫什么就叫什么),然后就清洗完毕了。
接下来用lxml库的etree定位到dom树(这里将html直接说成dom树是为了后面提取最小父节点时候好理解)上
所有canSee属性是True的标签节点 。将该节点假如列表A,以三个元素为单位扫描该列表,如下图。
可疑列表区域扫描过程示意图
Tips:
在整个dom树下, 同一子树同一层级的节点 才会提取最小父节点( 最小父节点:层级尽可能的小 )
重复父节点的xpath不要重复计入
有的标签下取text会出现问题,最好 用xpath的string(.)方式
元素清洗时可以初步匹配明显反向特征,匹配成功直接退出
在三大步骤中, 只有这一步是在做加法,剩下的步骤基本是在过滤做减法了 ,所以尽可能的将可疑列表区域收入列表。
代码流程参考:
2.过滤不在主视图区域的可疑列表
2.1 校验x轴
在这该步骤中,校验可疑列表区域是否在主视图范围内。你需要 了解selenium的location方法,了解(x,y)坐标点在浏览器中的意义
,在该算法中,使用 x轴中位线 作为判断依据。
现有列表区域A,其location为(x1,y1)。列表A中,有最大链接b,其size['width']为x2。若x1+x2 >
x轴中位线,则列表A在主视图范围内。
看下图,不难理解:
红线为x轴中位线
代码流程参考:
2.2校验y轴
这一步需要放在 程序最后 ,规则也比较简单,最后校验列表的 location['y'] 是否在浏览器的当前页面中
,我认为如果你打开网页,一下看不见列表,需要往下拖才有列表,就不是我们需要的主列表了,可能是混进来奇奇怪怪的东西,逻辑比较简单就不贴代码流程了。
3.可扩展规则簇
以上步骤基本可以保证你获得一个穿过了x中位线的列表区域,但极有可能混进去一些奇奇怪怪的东西,或者漏了一些重要的东西。这时候就需要你的这些规则了,比如:
多块列表跨x中位线
是否只是一整个列表的分块,如( http://www.chinasafety.gov.cn/newpage/aqbz/aqbz_gjbzgb.htm
)
有或者真的是多个列表,需要过滤,如( http://www.cbrc.gov.cn/shanxi/pcjgMore/601108/left.html
)
识别到导航栏或者识别到滚动栏中的新闻,不需要这种东西,需要过滤
过滤规则很简单, 校验xpath中的y坐标,极大值与极小值需要超过一个阀值
中央区域含有文本为更多的链接,我相信这种列表也不是我们需要的
还有后续其他的规则往上追加就好OvO
至此列表区域识别已经完成,输出值为列表区域的xpath。
本文内容转载自网络,来源/作者信息已在文章顶部表明,版权归原作者所有,如有侵权请联系我们进行删除!