Page classes dedicated to crawling or manipulating list web pages.
Project description
简介
本库是专门用于爬取或操作列表式网页的页面类,基于 DrissionPage。
页面类抽象了列表式页面基本特征,封装了常用方法。
只需少量设置即可进行爬取或页面操作,实现可复用、可扩展。
广泛适用于各种网站的列表页面。
示例:https://gitee.com/g1879/DrissionPage-demos
DrissionPage库:https://gitee.com/g1879/DrissionPage
联系邮箱:g1879@qq.com
背景及特性
背景
大量的数据用列表页方式存放在网站中,这些列表页有相同的特征,用相同的方法爬取。
爬取网站时经常重复编写相同的代码,做重复的劳动。
因此本库把列表页共有的特征提取出来,封装成类,实现可复用。减轻开发的工作量。
特性
- 配置简单,上手容易
- 封装常用列表页属性及方法,实现可复用
- 不同类型页面使用相同的操作方式,使用方便
- 可根据特殊情况扩展,实用性强
原理
所有列表页都有共同的特征:数据行、行中的数据列。有些列表还能获取到翻页按钮和总页数。
只要获取到前三者的定位方式,就能封装一个方法实现 读取 -> 翻页 -> 读取 的循环操作,直到没有下一页或到达指定页数。
本库采用 xpath 定位方式,针对不同页面,只要获取到这三个元素的 xpath 路径,传递给页面对象,即可实现一行爬取全部页的功能。
演示
一段简单的代码,演示爬取码云推荐项目列表(全部页)。
from ListPage import ListPageS
# 指定页面必要元素xpath
xpaths = {
'next_page': '//a[@class="icon item"]',
'rows': '//div[@class="project-title"]',
'cols': {'项目': './/h3/a',
'星数': './/div[@class="stars-count"]'}
}
# 要获取的数据
to_get = [
['项目', 'title', r'.*/(.*)'], # 项目名
['项目', 'href'], # URL
'星数'
]
# 列表页首页url
url = 'https://gitee.com/explore/all'
page = ListPageS(index_url=url, **xpaths) # 创建ListPage对象
data = page.get_list(to_get) # 进行爬取,默认同步打印爬到的信息
输出:
第1页
https://gitee.com/explore/all
['guanguans/soar-php', 'https://gitee.com/guanguans/soar-php', '6']
...省略第1页...
['drinkjava2/jBeanBox', 'https://gitee.com/drinkjava2/jBeanBox', '61']
第2页
https://gitee.com/explore/all?page=2
['pai01234/tokencore', 'https://gitee.com/pai01234/tokencore', '22']
...省略第2页...
['docsifyjs/docsify', 'https://gitee.com/docsifyjs/docsify', '47']
...省略下面98页...
安装
待写
翻页式列表页
基类ListPage
ListPage 类是翻页式列表页基类,继承自 DrissionPage 的 MixPage 类。
专门用于处理翻页式列表页面。如商城产品页、文章列表页。
注意:不要直接使用 ListPage,而应该使用它的子类。
它封装了以下方法:
- 读取读取一定范围页数据列表
- 获取当前页数据列表
- 获取当前页行元素对象列表
- 跳转到下一页
- 跳转到特定页
- 获取总页数
ListPageS
ListPageS 用于处理无须 js 加载的静态页面。基于 MixPage 的 s 模式,即使用 requests 访问页面。
ListPageD
ListPageD 用于处理由js加载的列表页。基于 MixPage 的 d 模式,即使用 selenium 访问页面。
使用 ListPageD 须预先配置浏览器和驱动文件路径,详见 DrissionPage 用法中初始化一节。
格式要求
创建 ListPage 对象时须传入页面结构,格式如下:
xpaths = {
# 数据行xpath
'rows': 'xpth字符串',
# 数据列xpath,是对于数据行的相对定位
'cols': {
'列名1': '列1xpath',
......
},
# (可选)翻页按钮定位xpath
'next_page': 'xpth字符串',
# (可选)总页数文本xpath。默认取text值
'page_count': 'xpth字符串',
# 若要从元素属性中获取总页数,可加上属性和正则字符串选项,这时是tuple,格式如下。若不填正则项,默认获取整个文本
'page_count': ('xpth字符串', '属性', '正则字符串')
}
取内容时传入待爬内容结构,格式如下:
待爬内容:[
(起始行号, 结束行号), # (可选)可在第一个元素设置读取的行号范围,list或tuple,如[0, -3], (1,)
'列名1', # 若爬取内容为元素文本,参数属性可省略
('列名2', '属性'), # 若须爬取非文本属性,在第二个参数填入属性名
('列名3', '属性', r'正则字符串(可选)'), # 可用正则表达式抽取爬到的内容,若有正则项,则参数属性不能省略
...
]
返回内容格式如下:
[
['参数1结果', '参数2结果', ...],
['参数1结果', '参数2结果', ...],
...
]
滚动式列表页
ScrollingPage
ScrollingPage 类是滚动加载式列表页基类,继承自 DrissionPage 的 MixPage 类。
专门用于处理滚动加载式列表页面。如新闻列表页。
封装了对页面的基本读取和操作方法,只能在 MixPage 的 d 模式下工作。
它封装了以下方法:
- 获取当前数据列表
- 获取当前行元素对象
- 获取新加载的数据列表
- 获取新加载的元素对象
- 滚动一页
格式要求
ScrollingPage 要求的 xpaths 稍有不同,格式如下:
xpaths格式:{
# 列表容器的xpath
'container': 'xpth字符串',
# 数据行的xpath
'rows': 'xpth字符串',
# 数据列xpath,是对于数据行的相对定位
'cols': {
'列名1': '列1xpath',
......
}
# 加载更多按钮(可选)
'more_btn':'xpth字符串',
}
待爬内容结构及返回内容结构与翻页式列表相同。
使用方法
APIs
Project details
Release history Release notifications | RSS feed
Download files
Download the file for your platform. If you're not sure which to choose, learn more about installing packages.