如何刮

各位小伙伴们，大家好呀！看看今天我又给各位带来了什么文章？本文标题是《如何刮》，很明显是关于文章的文章哈哈哈，其中内容主要会涉及到等等，如果能帮到你，觉得很不错的话，欢迎各位多多点评和分享！

抓取 或网络抓取 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导航网页、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，我将教我用来做

抓取的过程以及做这件事时要记住的要点。

就我而言，我将在 pccomponentes 中执行

scraping 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，旨在根据指定的组件预测笔记本电脑的价格。

首先，需要确定脚本应该访问哪个 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：

此后，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：

准备好了！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 代码来

scrape.

然而，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。

我想到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scraping中经常使用的包。

由于之前的功能，我们将开发从我们下载的 html 中收集信息的功能。

函数看起来像这样：

# 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。

我在这里给你留下了完整的脚本，以防你想尝试一下！

pc组件刮板

本篇关于《如何刮》的介绍就到此结束啦，但是学无止境，想要了解学习更多关于文章的相关知识，请关注golang学习网公众号！