2
我试图从航班搜索页面刮取一些数据。使用硒缓慢滚动页面
本页面以这种方式工作:
你填表,然后单击搜索按钮上 - 这是确定的。当你点击按钮时,你将被重定向到带有结果的页面,这就是问题所在。这个页面不断地添加结果,例如一分钟,这不是什么大问题 - 问题是要获得所有这些结果。当你在真正的浏览器中,你必须向下滚动页面,这些结果才会出现。所以我试着用Selenium向下滚动。它向下滚动到页面的底部可能非常快,或者它是跳转而不是滚动,页面不会加载任何新结果。
当您慢慢向下滚动时,它会重新加载结果,但如果非常快速地执行,则会停止加载。
我不确定我的代码是否有助于理解,所以我附加它。
SEARCH_STRING = """URL"""
class spider():
def __init__(self):
self.driver = webdriver.Firefox()
@staticmethod
def prepare_get(dep_airport,arr_airport,dep_date,arr_date):
string = SEARCH_STRING%(dep_airport,arr_airport,arr_airport,dep_airport,dep_date,arr_date)
return string
def find_flights_html(self,dep_airport, arr_airport, dep_date, arr_date):
if isinstance(dep_airport, list):
airports_string = str(r'%20').join(dep_airport)
dep_airport = airports_string
wait = WebDriverWait(self.driver, 60) # wait for results
self.driver.get(spider.prepare_get(dep_airport, arr_airport, dep_date, arr_date))
wait.until(EC.invisibility_of_element_located((By.XPATH, '//img[contains(@src, "loading")]')))
wait.until(EC.invisibility_of_element_located((By.XPATH, u'//div[. = "Poprosíme o trpezlivosť, hľadáme pre Vás ešte viac letov"]/preceding-sibling::img')))
self.driver.execute_script("window.scrollTo(0,document.body.scrollHeight);")
self.driver.find_element_by_xpath('//body').send_keys(Keys.CONTROL+Keys.END)
return self.driver.page_source
@staticmethod
def get_info_from_borderbox(div):
arrival = div.find('div',class_='departure').text
price = div.find('div',class_='pricebox').find('div',class_=re.compile('price'))
departure = div.find_all('div',class_='departure')[1].contents
date_departure = departure[1].text
airport_departure = departure[5].text
arrival = div.find_all('div', class_= 'arrival')[0].contents
date_arrival = arrival[1].text
airport_arrival = arrival[3].text[1:]
print 'DEPARTURE: '
print date_departure,airport_departure
print 'ARRIVAL: '
print date_arrival,airport_arrival
@staticmethod
def get_flights_from_result_page(html):
def match_tag(tag, classes):
return (tag.name == 'div'
and 'class' in tag.attrs
and all([c in tag['class'] for c in classes]))
soup = mLib.getSoup_html(html)
divs = soup.find_all(lambda t: match_tag(t, ['borderbox', 'flightbox', 'p2']))
for div in divs:
spider.get_info_from_borderbox(div)
print len(divs)
spider_inst = spider()
print spider.get_flights_from_result_page(spider_inst.find_flights_html(['BTS','BRU','PAR'], 'MAD', '2015-07-15', '2015-08-15'))
所以主要问题是在我看来,它滚动得太快以至于不能触发新的加载结果。
你有什么想法如何使它工作?
恐怕它不起作用。它在循环中返回10,当我试图把这个:for result result:print result.text我发现它返回相同的值。 –
@Milan好吧,我看到随着循环的每次迭代,结果数量都在增加,这意味着额外的结果正在加载。结束循环后提取结果。 – alecxe
要检查它是否正在查找新结果,我将结果添加到集合和集合的每个循环打印长度中。它保持在15.在这里你可以找到代码和结果打印:http://pastebin.com/fkUrCvAm –