IT数码 购物 网址 头条 软件 日历 阅读 图书馆
TxT小说阅读器
↓语音阅读,小说下载,古典文学↓
图片批量下载器
↓批量下载图片,美女图库↓
图片自动播放器
↓图片自动播放器↓
一键清除垃圾
↓轻轻一点,清除系统垃圾↓
开发: C++知识库 Java知识库 JavaScript Python PHP知识库 人工智能 区块链 大数据 移动开发 嵌入式 开发工具 数据结构与算法 开发测试 游戏开发 网络协议 系统运维
教程: HTML教程 CSS教程 JavaScript教程 Go语言教程 JQuery教程 VUE教程 VUE3教程 Bootstrap教程 SQL数据库教程 C语言教程 C++教程 Java教程 Python教程 Python3教程 C#教程
数码: 电脑 笔记本 显卡 显示器 固态硬盘 硬盘 耳机 手机 iphone vivo oppo 小米 华为 单反 装机 图拉丁
 
   -> Python知识库 -> python: 动态网页playwright 爬虫实践 -> 正文阅读

[Python知识库]python: 动态网页playwright 爬虫实践

喜欢上某个基金网站,但是数据基本上是动态网页的方式,看了一下selenium,requests方案,后面选择了playwright,折腾了一天,基本上可以出相关数据了。
一、同步方案

from asyncio.windows_events import NULL
from playwright.sync_api import sync_playwright
import pandas as pd
import asyncio
import re
from playwright.async_api import async_playwright

url = "http://fund.****.com.cn/" ## 某基金网站
proxy_to_use = {
    'server': '127.0.0.1:80' ##具体用户设置
}

def get_index_info(str_code):
    values = {}
    code_url = url + str_code +"/interduce.html#interduce"
    with sync_playwright() as p:
        #browser = p.chromium.launch(proxy=proxy_to_use, headless=False) ## 代理
        browser = p.chromium.launch(proxy=proxy_to_use, headless=False) ## 代理
        page = browser.new_page()
        page.goto(code_url)
        #print(page.title())
        all_items = page.query_selector_all('.g-dialog')
        #print(f"all_items : {len(all_items)}")
        for item in all_items:      
            text = item.inner_text()
            #text_trim = trim_multi_char(text) ## 去除多余的"\n"," "
            values[str_code] = text
        #print(f"values: {values}")
        browser.close()
    return values

def trim_multi_char(input_string):
      strs = list(input_string)
      strs_len = len(strs)
      if strs_len < 1:
          return input_string
      out_strs = []
      for i in range(strs_len):
            if i == 0: ## 第一个
                if strs[0] not in [" ",""]:
                    out_strs.append(strs[0])
            else:
                if (strs[i] != strs[i-1] and strs[i] not in [" ",""]) or ( strs[i] == strs[i-1] and strs[i] not in ["\n"," ",""]):
                    out_strs.append(strs[i]) 
      return ''.join(out_strs)
     
     
async def async_get_index_info(code): ## 还有问题
    values = {}
    code_url = url + str(code) +"/interduce.html#interduce"
    async with async_playwright() as p:
        browser_type = p.chromium
        #page = browser.new_page()
        browser = await browser_type.launch(headless=False)
        page = await browser.new_page()
        await page.goto(code_url)
        #print(page.title())
        all_items = await page.query_selector_all('.g-dialog')
        #print(f"all_items : {len(all_items)}")
        async for item in all_items:      
            vv = await item.inner_text().split("\n")
            assert (len(vv)%2 == 0),f"code :{code} items项key->value不对称错误,请确认!"
            n = 0
            async for v in vv:
                if n%2 ==0:
                    values[vv[n]] = await vv[n+1]
                n = await n+1
        #print(f"values: {values}")
        await browser.close()
        return values

def get_basket_index_raw_data(raw_codes):
    codes = []
    for _code in raw_codes:
        fix_code = ""
        str_code = str(_code)
        if len(str_code)<6:
            fix_code = "0"*(6-len(str_code)) + str_code
        else:
            fix_code = str_code
        codes.append(fix_code)
    data = [] ## 
    n = 1
    for code in codes:
        print(f" download  code : {code}  => 第 {n} 个, 总共 {len(codes)} 个")
        value = get_index_info(code)
        data.append(value)
  
    return data
## [{code =>"xxx"},{code =>"xxx"}]
def trim_data(raw_data):
    data = {} ## 
    for dict_code in raw_data: ## 每一个
        for code in dict_code.keys():
            raw = dict_code[code]
            raw_trim = trim_multi_char(raw) ## 去除多余的"\n"," " ->只留一个\n
            contents = raw_trim.split("\n")
            assert (len(contents)%2 == 0),f"code :{code} items项key->value不对称错误,请确认!"
            for i in range(len(contents)):
                if i%2 ==0 and i < len(contents)-1: 
                    _key = contents[i]
                    if _key == "":
                        continue
                    value = contents[i+1]
                    if "--" in value:
                        value = ""
                    if _key in data.keys():
                        data[_key].append(value)
                    else:
                        data[_key] = [value]
    return data

index_fund_path = r"C:\Users\Desktop\index_funds.csv" ## 基金清单 
funds_df = pd.read_csv(index_fund_path,encoding="gbk") ## dataframe
raw_codes = list(funds_df.codes) 
raw_data = get_basket_index_raw_data(raw_codes)
dict_data = trim_data(raw_data)
df = pd.DataFrame(dict_data) ## dict ->df
df.to_csv(r"C:\Users\Desktop\index_pacong.csv",encoding="gbk") ## df->csv

输出csv样例:
在这里插入图片描述总体上还是成功了。

难点复盘:
1、playwright的安装
特别是在windows下的安装,可能大概率有折腾的可能。
2、找到所需要的节点
比如:

all_items = page.query_selector_all('.g-dialog')

这个过程可能需要不断试。

二、后续改进:

1、异步
目前,异步方案还没有调通,因为playwright install还没有成功,是通过把下载几个浏览器文件 安装的,估计版本还有问题。
关于playwright的安装,还是有不少烦心事。折腾了好几个小时。

可以参考安装资料

2、ip代理池
目前,还没有看到象requests库一样的代理池方案,目前还在研究中。在ip代理池没有弄好前,只好做少量的测试,担心ip被封。
当然,本身也就是学习,不用于其它目的。

  Python知识库 最新文章
Python中String模块
【Python】 14-CVS文件操作
python的panda库读写文件
使用Nordic的nrf52840实现蓝牙DFU过程
【Python学习记录】numpy数组用法整理
Python学习笔记
python字符串和列表
python如何从txt文件中解析出有效的数据
Python编程从入门到实践自学/3.1-3.2
python变量
上一篇文章      下一篇文章      查看所有文章
加:2021-11-29 16:16:37  更:2021-11-29 16:18:18 
 
开发: C++知识库 Java知识库 JavaScript Python PHP知识库 人工智能 区块链 大数据 移动开发 嵌入式 开发工具 数据结构与算法 开发测试 游戏开发 网络协议 系统运维
教程: HTML教程 CSS教程 JavaScript教程 Go语言教程 JQuery教程 VUE教程 VUE3教程 Bootstrap教程 SQL数据库教程 C语言教程 C++教程 Java教程 Python教程 Python3教程 C#教程
数码: 电脑 笔记本 显卡 显示器 固态硬盘 硬盘 耳机 手机 iphone vivo oppo 小米 华为 单反 装机 图拉丁

360图书馆 购物 三丰科技 阅读网 日历 万年历 2024年11日历 -2024/11/16 2:42:47-

图片自动播放器
↓图片自动播放器↓
TxT小说阅读器
↓语音阅读,小说下载,古典文学↓
一键清除垃圾
↓轻轻一点,清除系统垃圾↓
图片批量下载器
↓批量下载图片,美女图库↓
  网站联系: qq:121756557 email:121756557@qq.com  IT数码