Соскоб в сети с использованием селена и BS4 - PullRequest
Новая
       29

Соскоб в сети с использованием селена и BS4

0 голосов
/ 07 сентября 2018

Я пытаюсь создать фрейм данных, основанный на веб-проверке этой страницы

https://www.schoolholidayseurope.eu/choose-a-country

html firstable Я сказал Селену щелкнуть по странице по своему выбору, затем я поместил элементы xpath и tags для заголовка и тела сборки, но у меня нет формата, который мне нужен, это мой элемент NaN или дубликаты.

По моему сценарию: 

def get_browser(url_selector):
    """Get the browser (a "driver")."""
    #option = webdriver.ChromeOptions()
    #option.add_argument(' — incognito')
    path_to_chromedriver = r"C:/Users/xxxxx/Downloads/chromedriver_win32/chromedriver.exe"
    browser = webdriver.Chrome(executable_path= path_to_chromedriver)
    browser.get(url_selector)

    """ Try with Italie"""
    browser.find_element_by_xpath(italie_buton_xpath).click()

    """ Raise exception : down browser if loading take more than 45sec : timer is the logo website as a flag"""
    # Wait 45 seconds for page to load
    timeout = 45
    try:
        WebDriverWait(browser, timeout).until(EC.visibility_of_element_located((By.XPATH, '//*[@id="s5_logo_wrap"]/img')))
    except TimeoutException:
        print("Timed out waiting for page to load")
        browser.quit()
    return browser

browser = get_browser(url_selector)
headers = browser.find_element_by_xpath('//*[@id="s5_component_wrap_inner"]/main/div[2]/div[2]/div[3]/table/thead').find_elements_by_tag_name('tr')                                                            
headings = [i.text.strip() for i in headers]
bs_obj = BeautifulSoup(browser.page_source, 'html.parser')
rows = bs_obj.find_all('table')[0].find('tbody').find_all('tr')[1:]
table = []

for row in rows : 
    line = next(td.get_text() for td in row.find_all("td"))
    print(line)
    table.append(line)
browser.quit()

pd.DataFrame(line, columns = headings)

возвращает

кадр данных с одним столбцом, например: 

    School Holiday Region Start date End date Week
0   Easter holidays 2018
1   REMARK: Small differences by region are possi...
2   Summer holiday 2018
3   REMARK: First region through to last region.
4   Christmas holiday 2018

там есть три вопроса, которые я не хочу, чтобы строки ЗАМЕЧАНИЯ, а даты начала и окончания школьных каникул воспринимались как отдельное слово, а весь кадр данных не разделялся.

Если я разделю заголовки и вычеркну форму несоответствия из-за строк ЗАМЕЧАНИЯ я получил 9 элементов в моем списке вместо 3, а из-за разделенных слов я получил 8 элементов вместо 5 в заголовке.

1 Ответ

0 голосов
/ 07 сентября 2018

Вы можете найти все ссылки на главной странице, а затем перебрать каждый URL с помощью selenium: 

from selenium import webdriver
from bs4 import BeautifulSoup as soup
import re, contextlib, pandas
d = webdriver.Chrome('/Users/jamespetullo/Downloads/chromedriver')
d.get('https://www.schoolholidayseurope.eu/choose-a-country')
_, *countries = [(lambda x:[x.text, x['href']])(i.find('a')) for i in soup(d.page_source, 'html.parser').find_all('li', {'class':re.compile('item\d+$')})]
@contextlib.contextmanager
def get_table(source:str):
   yield [[[i.text for i in c.find_all('th')], [i.text for i in c.find_all('td')]] for c in soup(source, 'html.parser').find('table', {'class':'zebra'}).find_all('tr')]
results = {}
for country, url in countries:
  d.get(f'https://www.schoolholidayseurope.eu{url}')
  with get_table(d.page_source) as source:
     results[country] = source

def clean_results(_data):
  [headers, _], *data = _data
  return [dict(zip(headers, i)) for _, i in data]

final_countries = {a:clean_results(b) for a, b in results.items()}
...