用Ghost刮取数据

Question

我想从下面的链接中删除一些数据：

category=svsp

我的目标只是检索data.frame中所有仪器的表(显示在页面1、2、3等的“搜索结果”中)。我不能简单地使用urllib和urllib2来检索静态数据，因为我需要通过剪裁按钮来模仿人类：Ghost或Selenium是最好的选择。

但是，我真的不知道如何翻译成代码“点击第2页”，“点击第3页”.以及得到总页数。

我的代码：

from ghost import Ghost

url = "http://www.six-structured-products.com/en/search-find/new-search#search_type=profi&class_category=svsp"

gh = Ghost()
page, resources = gh.open(url)

我被困在那里，不知道该放哪个标识符，而不知道XXX：

page, resources = ghost.evaluate(
"document.getElementById(XXX).click();", expect_loading=True)

(我也会接受使用Selenium的解决方案)

Answer 1

您还可以这样使用next按钮：

import logging
import sys

from ghost import Ghost, TimeoutError


logging.basicConfig(level=logging.INFO)

url = "http://www.six-structured-products.com/en/search-find/new-search#search_type=profi&class_category=svsp"

ghost = Ghost(wait_timeout=20, log_level=logging.CRITICAL)
data = dict()


def extract_value(line, ntd):
    return line.findFirst('td.DataItem:nth-child(%d)' % ntd).toPlainText()


def extract(ghost):
    lines = ghost.main_frame.findAllElements(
        '.derivativeSearchResult > tbody:nth-child(2) tr'
    )

    for line in lines:
        symbol = extract_value(line, 2)
        name = extract_value(line, 5)
        logging.info("Found %s: %s" % (symbol, name))
        # Persist data here

    ghost.sleep(1)

    try:
        ghost.click('.pagination_next a', expect_loading=True)
    except TimeoutError:
        sys.exit(0)

    extract(ghost)


ghost.open(url)
extract(ghost)

Answer 2

做一个无止境的循环来增加页面索引。当您找不到带有当前索引的按钮时，退出循环：

from selenium import webdriver
from selenium.common.exceptions import NoSuchElementException
import time

driver = webdriver.Firefox()
driver.get('http://www.six-structured-products.com/en/search-find/new-search#search_type=profi&class_category=svsp')

page = 2  # starting page
while True:
    try:
        button = driver.find_element_by_xpath('//ul[@id="pagination_pages"]/li[@class="pagination_page" and . = "%d"]' % page)
    except NoSuchElementException:
        break

    time.sleep(1)
    button.click()

    page += 1

print page  # total number of pages

driver.close()

注意，与time.sleep()不同，更可靠的方法是使用等待。