看起来当网站第一次加载时,所有的产品也都被加载了。底部的分页实际上不会更改为不同的页面。因此,您可以在http://www.carboline.com/products/的第一个请求中提取所有产品。我使用python requests获取网站HTML和{}来解析{}。在
我会远离硒等。。如果可能(有时你别无选择)。但如果网站是超简单的,就像你的问题。那么我建议你做一个request。这就避免了使用浏览器的所有额外开销,因为你只需要请求你需要的东西。在
**我更新了我的答案,以向您展示如何同时提取href和{}。在import requests
from lxml import html
BASE_URL = 'http://www.carboline.com'
def extract_data(tree):
elements = [
e
for e in tree.cssselect('div.border h5 a')
if e.text is not None
]
return elements
def build_data(data):
dataset = []
for d in data:
link = BASE_URL + d.get('href')
title = d.text
dataset.append(
{
'link':link,
'title':title
}
)
return dataset
def request_website(url):
headers = {
'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/74.0.3729.169 Safari/537.36'
}
r = requests.get(url, headers=headers)
return r.text
response = request_website('http://www.carboline.com/products/')
tree = html.fromstring(response)
data = extract_data(tree)
dataset = build_data(data)
print (dataset)
该博客介绍了如何使用Python的requests库获取网页HTML,然后通过lxml库解析HTML,特别是针对<a>标签,提取其中的文本内容和href属性。博主建议在无需模拟浏览器行为的情况下,尽量避免使用Selenium,以减少额外的资源消耗。文中提供了详细的代码示例,展示如何构建数据集,包括链接和标题信息。


被折叠的 条评论
为什么被折叠?



