抓取或网页抓取是一种用于以自动方式从网站提取数据的技术。它包括使用程序或脚本浏览网页、提取特定信息（例如文本、图像、产品价格等）并保存。
在这篇文章中，我将教授我用来进行抓取的过程以及在执行此操作时要记住的要点。
就我而言，我将在 PcComponentes 中执行抓取来收集有关笔记本电脑的信息。这些数据将用于创建一个数据集，作为机器学习模型的基础，该模型旨在根据指定的组件预测笔记本电脑的价格。
首先，需要确定脚本应访问哪个 URL 来执行抓取:
在这种情况下，如果我们查看 PcComponentes URL，我们可以看到它通过 URL 传递了一个参数，我们可以使用该参数来指定我们要搜索的内容。
完成后，我们将看到搜索结果：
之后，我们将使用几乎所有浏览器都集成的开发者工具：
右键单击然后选择“检查”选项，开发者工具将打开，我们将看到以下内容：
anchor () 类型的标签，其中包含有关我们在搜索结果中看到的产品的大量信息。
如果我们查看以下区域，我们将看到几乎所有的产品数据：
完成！我们有从中提取数据的区域。现在是时候创建脚本来提取它们了。
但是我们遇到了一个问题：如果你直接访问PcComponentes，它总是要求我们接受cookie策略。因此，我们无法发出 GET 请求并抓取结果，因为我们不会得到任何东西。
因此，我们必须使用Selenium来模拟浏览器并能够与其交互。
我们首先执行以下操作：
from selenium import webdriver
from selenium.webdriver.firefox.options import Options
from selenium.webdriver.support.ui import WebDriverWait
from selenium.webdriver.support import expected_conditions as EC
from selenium.webdriver.common.by import By
options = Options()
options.headless = True
#Abrimos el navegador
driver = webdriver.Firefox(options=options)
time.sleep(5)
#Vamos a la página indicada pccomponentes.com/laptops
driver.get(url+str(i))
#Esperamos 30 segundos hasta que aparezca el botón de cookies y al aparecer hace clic
accept_cookies = WebDriverWait(driver, 30).until(
EC.presence_of_element_located((By.ID, 'cookiesAcceptAll'))
)
accept_cookies.click()
#Descargamos el HTML
html = driver.page_source
完成后，在 html 变量中我们将获取页面的 HTML 代码抓取。
但是，我们遇到了另一个问题。当使用 Selenium 打开浏览器并发出 2 或 3 个请求时，Cloudflare 会限制请求并且不允许我们发出更多请求。因此，我们只能抓取大约 3 个页面，这将是大约 20 台不同的计算机。不足以制作数据集。
我提出的一个解决方案是在本地下载页面并在本地使用 HTML。完成抓取后，我们可以打开另一个浏览器（等待一段合理的时间）并下载以下浏览器。
所以我将上面的代码添加到一个函数中，并将其包装在 for 中，如下所示：
#Función que se conecta a pccomponentes y guarda el html en local
def guarda_datos_html(i=0):
try:
options = Options()
options.headless = True
#Abrimos el navegador
driver = webdriver.Firefox(options=options)
time.sleep(5)
#Vamos a la página indicada pccomponentes.com/laptops
driver.get(url+str(i))
#Esperamos 30 segundos hasta que aparezca el botón de cookies y al aparecer hace clic
accept_cookies = WebDriverWait(driver, 30).until(
EC.presence_of_element_located((By.ID, 'cookiesAcceptAll'))
)
accept_cookies.click()
#Descargamos el HTML
html = driver.page_source
#Lo guardamos en local
with open(f'html/laptops_{i}.html','w',encoding="utf-8") as document:
document.write(html)
driver.close()
except:
print(f'Error en página: {i}')
for i in range(0,58):
guarda_datos_html(i)
time.sleep(30)
现在我们可以恢复 HTML 并使用它们。为此，我安装了BeautifulSoup，这是一个在抓取中经常使用的软件包。
我们将开发一个功能，从我们下载的 HTML 中收集信息，这要归功于之前的功能。
函数如下所示：
# Función que abre el HTML guardado con anterioridad y filtra los datos
# para guardarlos en un CSV ordenados
def get_datos_html(i=0):
try:
with open(f'laptop_data_actual.csv','a') as ldata:
field = ['Company','Inches','Cpu','Ram','Gpu','OpSys','SSD','Price']
writer = csv.DictWriter(ldata, fieldnames=field)
with open(f'html/laptops_{i}.html','r',encoding="utf-8") as document:
html = BeautifulSoup(document.read(), 'html.parser')
products = html.find_all('a')
for element in products:
pc = element.get('data-product-name')
if pc:
pc = pc.lower()
marca = element.get('data-product-brand')
price = element.get('data-product-price')
pc_data = pc.split('/')
cpu = pc_data[0].split(' ')
cpu = buscar_cpu(cpu)
gpu = buscar_gpu(pc_data)
inches = '.'.join([s for s in re.findall(r'\b\d+\b', pc_data[-1])])
OpSys = bucar_opsys(pc_data, marca)
row = {
'Company': marca,
'Inches': inches,
'Cpu': cpu,
'Ram': pc_data[1],
'Gpu': gpu,
'OpSys': OpSys,
'SSD': pc_data[2],
'Price': price
}
writer.writerow(row)
except:
print(f'Error en página: {i}')
基本上，我们打开 CSV 文件，在其中保存信息，然后告诉 CSV 我们希望它具有哪些字段，然后读取并使用 HTML。正如您所看到的，我必须执行一些额外的函数才能从我们想要保存在 CSV 中的每个字段中提取必要的信息。
我在这里留下了完整的脚本，以防你想尝试一下！
PCComponentsScrapper
以上是如何刮的详细内容。更多信息请关注PHP中文网其他相关文章！
