ListPage 0.7.0

Page classes dedicated to crawling or manipulating list web pages.

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：[e-mail]

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
• 支持 requests 和 selenium 方式，并支持无缝切换。

原理

所有列表页都有共同的特征：数据行、行中的数据列。能通过 **翻页按钮 ** 或 滚动页面 方式翻页。

只要获取到这几个元素的定位方式，就能封装一个方法实现 读取 -> 翻页（滚动） -> 读取 的循环操作，直到没有下一页或到达指定页数。

本库支持 xpath 或 css selector 路径，针对不同页面把必要元素路径传递给页面对象，即可实现一行爬取全部页的功能。

简单演示

---

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, Targets, Xpaths

# 定义页面结构
xpaths = Xpaths()
xpaths.pages_count = '//a[@class="icon item"]/preceding-sibling::a[1]'  # 总页数
xpaths.rows = '//div[@class="project-title"]'  # 行
xpaths.set_col('项目', './/h3/a')  # 列1
xpaths.set_col('星数', './/div[@class="stars-count"]')  # 列2

# 定义目标
targets = Targets(xpaths)
targets.add_target('项目')
targets.add_target('项目', 'href')
targets.add_target('星数')

# 列表第一页
url = 'https://gitee.com/explore/weixin-app?page=1'

p = ListPageS(xpaths, url)
p.num_param = 'page'  # url中页面的参数

# 爬取全部页
p.get_list(targets)

输出：

第1页
https://gitee.com/explore/all
['guanguans/soar-php', 'https://gitee.com/guanguans/soar-php', '6']
...第1页省略部分...
['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']
...第2页省略部分...
['docsifyjs/docsify', 'https://gitee.com/docsifyjs/docsify', '47']

...省略下面98页...

使用方法

---

安装及导入

安装

pip install ListPage

导入

# 翻页式列表页
from ListPage import ListPage, Paths, Targets

# 滚动式列表页
from ScrollingPage import ScrollingPage, Paths, Targets

初始化

如只使用 requests 方式爬取，或已在系统变量加入 chrome.exe 和 chromedriver.exe 的路径，可跳过本节。

ListPage 是基于 DrissionPage 实现的，初始化的方法与 DrissionPage 一致，请查看 DrissionPage 初始化方法。

Paths 类

Paths 类用于管理关键元素的路径信息。

支持

它拥有以下属性：

# 共有的关键元素，必须
targets.rows  # 列表行元素的定位路径
targets.cols  # 行元素中列元素的定位路径，字典格式

# 翻页式列表页独有属性
targets.page_count  # 总页数所在元素路径，可指定元素属性及提取正则表达式，非必须，按页面情况使用
targets.next_btn  # 下一页按钮元素路径，非必须，按页面情况使用

# 滚动式列表页独有属性
targets.container  # 列表容器，必须
targets.more_btn  # 加载更多按钮，非必须，按页码情况使用

用法

Targets 类

Targets 类用于定义爬取目标。

ListPage 类

ListPage 类是翻页式列表页基本类，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。
它有两种模式，s 模式使用 requests 处理页面，d 模式使用 selenium。
s 模式效率高，适用于非 js 加载页面数据爬取。
d 模式可处理 js 加载的页面，可用于自动化操作。
这两种模式可以互相切换，但要一般没有必要。

ListPage 封装了以下方法：

• 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

使用 ListPage 前须按上文定义页面关键元素的路径及爬取目标，推荐使用 Paths 和 Targets 对象，也可用字典和列表或元组代替。

使用字典代替 Paths 对象：

paths = {
    'type': 'xpath',  # 'css' 或 'xpath'，指定路径的类型，非必须
    'page_count': '',
    '': '',
    'rows': '',  # 列表行定位路径，必须
    '': '',
    '': '',
    '': '',
    '': '',
}

使用列表或元组代替 Targets 对象：

ScrollingPage 类

ScrollingPage 类是滚动加载式列表页基本类，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

APIs

---

ListPage 类

class ListPage