Comment gratter des pages Web à défilement infini avec Python
Bonjour, développeurs Crawlee, et bienvenue dans un autre tutoriel sur le blog Crawlee. Ce didacticiel vous apprendra comment supprimer des sites Web à défilement infini à l'aide de Crawlee pour Python.
Pour le contexte, les pages à défilement infini sont une alternative moderne à la pagination classique. Lorsque les utilisateurs font défiler la page Web vers le bas au lieu de choisir la page suivante, la page charge automatiquement plus de données et les utilisateurs peuvent faire défiler davantage.
En tant que grand sneakerhead, je prendrai comme exemple le site Web à défilement infini des chaussures Nike, et nous en récupérerons des milliers de baskets.
Crawlee pour Python possède des fonctionnalités initiales étonnantes, telles qu'une interface unifiée pour l'exploration HTTP et sans tête du navigateur, des tentatives automatiques et bien plus encore.
Prérequis et démarrage du projet
Commençons le tutoriel en installant Crawlee pour Python avec cette commande :
pipx run crawlee create nike-crawler
Copier après la connexion
Avant de continuer, si vous aimez lire ce blog, nous serions vraiment heureux si vous donniez une étoile à Crawlee pour Python sur GitHub !
apifier
/
crawlee-python
Crawlee : une bibliothèque de scraping Web et d'automatisation du navigateur pour Python permettant de créer des robots d'exploration fiables. Extrayez des données pour l'IA, les LLM, les RAG ou les GPT. Téléchargez des fichiers HTML, PDF, JPG, PNG et autres à partir de sites Web. Fonctionne avec BeautifulSoup, Playwright et HTTP brut. Mode avec et sans tête. Avec rotation des procurations.
Une bibliothèque de web scraping et d'automatisation du navigateur
Crawlee couvre votre exploration et votre grattage de bout en bout et vous aide à construire des grattoirs fiables. Rapide.
? Crawlee pour Python est ouvert aux premiers utilisateurs !
Vos robots apparaîtront presque comme des humains et passeront sous le radar des protections modernes contre les robots, même avec la configuration par défaut. Crawlee vous offre les outils nécessaires pour explorer le Web à la recherche de liens, récupérer des données et les stocker de manière persistante dans des formats lisibles par machine, sans avoir à vous soucier des détails techniques. Et grâce aux riches options de configuration, vous pouvez modifier presque tous les aspects de Crawlee pour l'adapter aux besoins de votre projet si les paramètres par défaut ne suffisent pas.
? Voir la documentation complète, les guides et les exemples sur le site Web du projet Crawlee ?
Nous avons également une implémentation TypeScript de Crawlee, que vous pouvez explorer et utiliser pour vos projets. Visitez notre référentiel GitHub pour plus d'informations Crawlee pour JS/TS sur GitHub.
Installation
Nous…
Voir sur GitHub
We will scrape using headless browsers. Select PlaywrightCrawler in the terminal when Crawlee for Python asks for it.
After installation, Crawlee for Python will create boilerplate code for you. Redirect into the project folder and then run this command for all the dependencies installation:
poetry install
Copier après la connexion
How to scrape infinite scrolling webpages
Handling accept cookie dialog
Adding request of all shoes links
Extract data from product details
Accept Cookies context manager
Handling infinite scroll on the listing page
Exporting data to CSV format
Handling accept cookie dialog
After all the necessary installations, we'll start looking into the files and configuring them accordingly.
When you look into the folder, you'll see many files, but for now, let’s focus on main.py and routes.py.
In __main__.py, let's change the target location to the Nike website. Then, just to see how scraping will happen, we'll add headless = False to the PlaywrightCrawler parameters. Let's also increase the maximum requests per crawl option to 100 to see the power of parallel scraping in Crawlee for Python.
As the cookie dialog is blocking us from crawling more than one page's worth of shoes, let’s get it out of our way.
We can handle the cookie dialog by going to Chrome dev tools and looking at the test_id of the "accept cookies" button, which is dialog-accept-button.
Now, let’s remove the context.push_data call that was left there from the project template and add the code to accept the dialog in routes.py. The updated code will look like this:
from crawlee.router import Router
from crawlee.playwright_crawler import PlaywrightCrawlingContext
router = Router[PlaywrightCrawlingContext]()
@router.default_handler
async def default_handler(context: PlaywrightCrawlingContext) -> None:
# Wait for the popup to be visible to ensure it has loaded on the page.
await context.page.get_by_test_id('dialog-accept-button').click()
Copier après la connexion
Adding request of all shoes links
Now, if you hover over the top bar and see all the sections, i.e., man, woman, and kids, you'll notice the “All shoes” section. As we want to scrape all the sneakers, this section interests us. Let’s use get_by_test_id with the filter of has_text=’All shoes’ and add all the links with the text “All shoes” to the request handler. Let’s add this code to the existing routes.py file:
shoe_listing_links = (
await context.page.get_by_test_id('link').filter(has_text='All shoes').all()
)
await context.add_requests(
[
Request.from_url(url, label='listing')
for link in shoe_listing_links
if (url := await link.get_attribute('href'))
]
)
@router.handler('listing')
async def listing_handler(context: PlaywrightCrawlingContext) -> None:
"""Handler for shoe listings."""
Copier après la connexion
Extract data from product details
Now that we have all the links to the pages with the title “All Shoes,” the next step is to scrape all the products on each page and the information provided on them.
We'll extract each shoe's URL, title, price, and description. Again, let's go to dev tools and extract each parameter's relevant test_id. After scraping each of the parameters, we'll use the context.push_data function to add it to the local storage. Now let's add the following code to the listing_handler and update it in the routes.py file:
Since we're dealing with multiple browser pages with multiple links and we want to do infinite scrolling, we may encounter an accept cookie dialog on each page. This will prevent loading more shoes via infinite scroll.
We'll need to check for cookies on every page, as each one may be opened with a fresh session (no stored cookies) and we'll get the accept cookie dialog even though we already accepted it in another browser window. However, if we don't get the dialog, we want the request handler to work as usual.
To solve this problem, we'll try to deal with the dialog in a parallel task that will run in the background. A context manager is a nice abstraction that will allow us to reuse this logic in all the router handlers. So, let's build a context manager:
from playwright.async_api import TimeoutError as PlaywrightTimeoutError
@asynccontextmanager
async def accept_cookies(page: Page):
task = asyncio.create_task(page.get_by_test_id('dialog-accept-button').click())
try:
yield
finally:
if not task.done():
task.cancel()
with suppress(asyncio.CancelledError, PlaywrightTimeoutError):
await task
Copier après la connexion
This context manager will make sure we're accepting the cookie dialog if it exists before scrolling and scraping the page. Let’s implement it in the routes.py file, and the updated code is here
Handling infinite scroll on the listing page
Now for the last and most interesting part of the tutorial! How to handle the infinite scroll of each shoe listing page and make sure our crawler is scrolling and scraping the data constantly.
To handle infinite scrolling in Crawlee for Python, we just need to make sure the page is loaded, which is done by waiting for the network_idle load state, and then use the infinite_scroll helper function which will keep scrolling to the bottom of the page as long as that makes additional items appear.
Let’s add two lines of code to the listing handler:
As we want to store all the shoe data into a CSV file, we can just add a call to the export_data helper into the __main__.py file just after the crawler run:
await crawler.export_data('shoes.csv')
Copier après la connexion
Working crawler and its code
Now, we have a crawler ready that can scrape all the shoes from the Nike website while handling infinite scrolling and many other problems, like the cookies dialog.
You can find the complete working crawler code here on the GitHub repository.
If you have any doubts regarding this tutorial or using Crawlee for Python, feel free to join our discord community and ask fellow developers or the Crawlee team.
Crawlee & Apify
This is the official developer community of Apify and Crawlee. | 8365 members
discord.com
This tutorial is taken from the webinar held on August 5th where Jan Buchar, Senior Python Engineer at Apify, gave a live demo about this use case. Watch the whole webinar here.
Ce qui précède est le contenu détaillé de. pour plus d'informations, suivez d'autres articles connexes sur le site Web de PHP en chinois!
Déclaration de ce site Web
Le contenu de cet article est volontairement contribué par les internautes et les droits d'auteur appartiennent à l'auteur original. Ce site n'assume aucune responsabilité légale correspondante. Si vous trouvez un contenu suspecté de plagiat ou de contrefaçon, veuillez contacter admin@php.cn
Python est plus facile à apprendre et à utiliser, tandis que C est plus puissant mais complexe. 1. La syntaxe Python est concise et adaptée aux débutants. Le typage dynamique et la gestion automatique de la mémoire le rendent facile à utiliser, mais peuvent entraîner des erreurs d'exécution. 2.C fournit des fonctionnalités de contrôle de bas niveau et avancées, adaptées aux applications haute performance, mais a un seuil d'apprentissage élevé et nécessite une gestion manuelle de la mémoire et de la sécurité.
Pour maximiser l'efficacité de l'apprentissage de Python dans un temps limité, vous pouvez utiliser les modules DateTime, Time et Schedule de Python. 1. Le module DateTime est utilisé pour enregistrer et planifier le temps d'apprentissage. 2. Le module de temps aide à définir l'étude et le temps de repos. 3. Le module de planification organise automatiquement des tâches d'apprentissage hebdomadaires.
Python est meilleur que C dans l'efficacité du développement, mais C est plus élevé dans les performances d'exécution. 1. La syntaxe concise de Python et les bibliothèques riches améliorent l'efficacité du développement. Les caractéristiques de type compilation et le contrôle du matériel de CC améliorent les performances d'exécution. Lorsque vous faites un choix, vous devez peser la vitesse de développement et l'efficacité de l'exécution en fonction des besoins du projet.
Est-ce suffisant pour apprendre Python pendant deux heures par jour? Cela dépend de vos objectifs et de vos méthodes d'apprentissage. 1) Élaborer un plan d'apprentissage clair, 2) Sélectionnez les ressources et méthodes d'apprentissage appropriées, 3) la pratique et l'examen et la consolidation de la pratique pratique et de l'examen et de la consolidation, et vous pouvez progressivement maîtriser les connaissances de base et les fonctions avancées de Python au cours de cette période.
Python et C ont chacun leurs propres avantages, et le choix doit être basé sur les exigences du projet. 1) Python convient au développement rapide et au traitement des données en raison de sa syntaxe concise et de son typage dynamique. 2) C convient à des performances élevées et à une programmation système en raison de son typage statique et de sa gestion de la mémoire manuelle.
PythonlistSaReparmentofthestandardLibrary, tandis que les coloccules de colocède, tandis que les colocculations pour la base de la Parlementaire, des coloments de forage polyvalent, tandis que la fonctionnalité de la fonctionnalité nettement adressée.
Python excelle dans l'automatisation, les scripts et la gestion des tâches. 1) Automatisation: La sauvegarde du fichier est réalisée via des bibliothèques standard telles que le système d'exploitation et la fermeture. 2) Écriture de script: utilisez la bibliothèque PSUTIL pour surveiller les ressources système. 3) Gestion des tâches: utilisez la bibliothèque de planification pour planifier les tâches. La facilité d'utilisation de Python et la prise en charge de la bibliothèque riche en font l'outil préféré dans ces domaines.
Les applications clés de Python dans le développement Web incluent l'utilisation des cadres Django et Flask, le développement de l'API, l'analyse et la visualisation des données, l'apprentissage automatique et l'IA et l'optimisation des performances. 1. Framework Django et Flask: Django convient au développement rapide d'applications complexes, et Flask convient aux projets petits ou hautement personnalisés. 2. Développement de l'API: Utilisez Flask ou DjangorestFramework pour construire RestulAPI. 3. Analyse et visualisation des données: utilisez Python pour traiter les données et les afficher via l'interface Web. 4. Apprentissage automatique et AI: Python est utilisé pour créer des applications Web intelligentes. 5. Optimisation des performances: optimisée par la programmation, la mise en cache et le code asynchrones