我正在做一个简单的刮刀来从steamDB(https://steamdb.info/sales/?min_discount=50&min_rating=70)中提取蒸汽销售信息。这是我的代码:
from selenium import webdriver
driver = webdriver.Chrome()
driver.get("https://steamdb.info/sales/?min_discount=50&min_rating=70")
# extract the sale table and list of entries
table = driver.find_element_by_xpath("//*[@id='DataTables_Table_0']/tbody")
# key info: name/ price/ discount/ rating/ end time/ appid
for i in driver.find_elements_by_xpath(".//tr"):
for cnt, td in enumerate(i.find_elements_by_xpath(".//td")):
print(cnt, td.text)
print(i.get_attribute("data-appid"))
print("===========================")
基本上我只是发现该表包含所有销售信息,并提取游戏名称,价格,折扣,销售开始时间,结束时间等关键文本。
但是,我发现表格中的几行数据后,销售结束/开始/游戏发布时间的文本丢失了:
这是一个很好的应该是这样的:
0
1
2 Undertale
Daily Deal
3 -61%
4 ¥ 14
5 94.18%
6 2 hours # sales end in
7 2 days ago # sales start from
8 4 years ago # game released
391540 # appid
===========================
这是一个糟糕的看起来像:
0
1
2 South Park™: The Stick of Truth™
Ubisoft Publisher Weekend new highest discount
3 -80%
4 $5.99
5 95.53%
6
7
8
213670
如您所见,刮刀可以检测到索引6,7,8中的td
标记,但它无法从中提取任何文本。
一些观察:
这是因为滚动时动态加载这些列信息。请使用以下脚本来处理此问题。
driver.get("https://steamdb.info/sales/?min_discount=50&min_rating=70")
# extract the sale table and list of entries
table = driver.find_element_by_xpath("//*[@id='DataTables_Table_0']/tbody")
# key info: name/ price/ discount/ rating/ end time/ appid
for i in table.find_elements_by_xpath(".//tr"):
driver.find_element_by_xpath("//li[@class='paginate_button next']").location_once_scrolled_into_view
for cnt, td in enumerate(i.find_elements_by_xpath(".//td")):
print(cnt, td.text)
print(i.get_attribute("data-appid"))
print("===========================")
正如supputuri所说,问题来自网页的动态加载。经过一些实验,我发现一个很好的解决方案是手动模拟向下滚动页面的过程,所以代码看起来像这样:
driver.execute_script("window.scrollTo(0, document.body.scrollHeight/2);")
time.sleep(0.5)
driver.execute_script("window.scrollTo(0, document.body.scrollHeight);")
time.sleep(0.5)
该脚本将向下滚动到页面的一半,然后等待半秒钟让网页加载内容,然后通过。这取决于网页的长度(如果长度太长,每个卷轴之间会有一些“间隙”)
我知道这个解决方案很天真所以请告诉我是否有更好的解决方案。