发现了一个使用Selenium的find_element
模块,快速获取文字和表格的方法,很实在,以后爬网的时候,就不用beautifulSoup 和 pandas的read_html 混起来用了!
文字部分:实现网络节点下,某个节点下的其他子孙节点的文字的拼接
表格部分:实现获取表格,并转为列表格式
话不多说,码上:
1. 获取文字的部分
如果是简单的文字,直接用text就完成了:
xpath_name='//div[@class="example"]'
driver.find_element(By.XPATH,xpath_name).text
但是有时候,有些文字就会分成很多个节点,要把这些文字拼起来就很麻烦,例如:
有时候在网络节点里,一会是span
标签,一会是a
标签,一会是p
标签。
就算是用beautifulSoup 来解也很难搞得齐全,用find_element的xpath 来定位也很难搞,也是要考虑层级结构的问题的。
这里可以用上 find_element
+ 遍历后代节点的方法:
在上面的例子中,我只需要找到id=content 的第一层节点,然后找到该节点下的所有子节点和子孙节点下的text,这样就可以把他们拼凑起来了:
1.1 获取所有子孙节点的写法:
如果你想要从特定的父元素开始获取所有子节点,你可以结合使用标签选择器和.//
。
children_elements = parent_element.find_elements(By.XPATH, './/p')
在这个例子中,'.//p'
是一个XPath表达式,它意味着“选择当前节点下所有的<p>
标签,包括所有层级的后代节点”。
1.2 如果只是获取子节点的话,则是:
children_elements = parent_element.find_elements(By.XPATH, './*')
其中,XPath中的'.'
代表当前节点,'/child::* '
代表选择当前节点的所有直接子节点。
完整写法:
from selenium import webdriver
from selenium.webdriver.common.by import By
# 创建WebDriver实例,这里以Chrome为例
driver = webdriver.Chrome()
# 打开目标网页
driver.get("你的目标网页URL")
sleep(random.uniform(2, 3))
#获取文字部分
#获取第一层节点,父亲节点
parent_element=driver.find_element(By.ID ,'content')
#获取所有
children_elements = parent_element.find_elements(By.XPATH, './/p')
new_content=''
# 遍历所有找到的<p>标签的后代节点,并打印它们的标签名和文本
for child in children_elements:
#print(f"Tag: {child.tag_name}, Text: {child.text}")
new_content=new_content+child.text
print('最后实现的文字:',new_content)
2. 获取表格的部分
获取表格的逻辑是:
1.使用find_element方法定位到表格元素。
2. 使用get_attribute('outerHTML')
打印表格内容(可选) 这个方法打印的是含有表格的源码,而非表格的内容
3. for循环遍历表格行和单元格,打印出每一行的单元格文本,以列表的形式显示。
完整逻辑:
from selenium import webdriver
from selenium.webdriver.common.by import By
# 创建WebDriver实例
driver = webdriver.Chrome()
# 打开目标网页
driver.get("http://example.com/some_page_with_tables.html")
# 定位表格元素
table = driver.find_element(By.TAG_NAME, 'table')
# 方法1:打印整个表格的HTML
print(table.get_attribute('outerHTML'))
# 方法2:遍历并打印表格的每一行和单元格内容
rows = table.find_elements(By.TAG_NAME, 'tr')
for row in rows:
cells = row.find_elements(By.TAG_NAME, 'td')
cell_texts = [cell.text for cell in cells]
print(cell_texts)
# 关闭浏览器
driver.quit()