如何从子类别(python、amazon)的所有页面获取所有产品

由于您希望获取大量数据,最好使用直接HTTP请求获取,而不是使用Selenium导航到每个页面。。。

尝试遍历所有页面并按如下方式获取所需数据

import requests
from lxml import html

page_counter = 1
links = []

while True:
    headers = {"User-Agent": "Mozilla/5.0 (X11; Ubuntu; Linux x86_64; rv:58.0) Gecko/20100101 Firefox/58.0"}
    url = "https://www.amazon.com/s/ref=sr_pg_{0}?rh=n%3A3375251%2Cn%3A!3375301%2Cn%3A10971181011%2Cn%3A11444071011%2Cp_8%3A2229059011&page={0}&ie=UTF8&qid=1517398836".format(page_counter)
    response = requests.get(url, headers=headers)
    if response.status_code == 200:
        source = html.fromstring(response.content)
        links.extend(source.xpath('//*[contains(@id,"result")]/div/div[3]/div[1]/a/@href'))
        page_counter += 1
    else:
        break

print(links)

P、 美国支票 this ticket 能够将代理与一起使用 requests 图书馆

# selenium imports
import random
from selenium import webdriver
from selenium.webdriver.common.by import By
from selenium.webdriver.support import expected_conditions as EC
from selenium.webdriver.support.ui import WebDriverWait
import time


def list_all_items():
    # items = browser.find_elements_by_css_selector('.a-size-base.s-inline.s-access-title.a-text-normal')
    print "Start"
    item_list = []
    items = WebDriverWait(browser, 60).until(EC.presence_of_all_elements_located((By.CSS_SELECTOR, ".a-size-base.s-inline.s-access-title.a-text-normal")))
    print "items--->", items
    if items:
        for item in items:
            print item.text, "\n\n"
            item_list.append(item.text)
    #time.sleep(3)
    #next_button = WebDriverWait(browser, 60).until(EC.presence_of_element_located((By.ID, 'pagnNextString')))
    next_button = WebDriverWait(browser, 60).until(EC.element_to_be_clickable((By.ID, "pagnNextString"))) 
    print "next_button-->", next_button
    browser.execute_script("window.scrollTo(0, document.body.scrollHeight);")
    print "____________SCROLL_DONE___"
    next_button.click()
    print "Click_done"
    list_all_items()
#     next_button = browser.find_element_by_id('pagnNextString')
#     next_button.click()

# ifpagnNextString
# https://www.amazon.com/s/ref=lp_11444071011_nr_p_8_1/132-3636705-4291947?rh=n%3A3375251%2Cn%3A%213375301%2Cn%3A10971181011%2Cn%3A11444071011%2Cp_8%3A2229059011


PROXY = "88.157.149.250:8080";

chrome_options = webdriver.ChromeOptions()
# chrome_options.add_argument('--proxy-server=%s' % PROXY)
# //a[starts-with(@href, 'https://www.amazon.com/')]/@href
LINKS_XPATH = '//*[contains(@id,"result")]/div/div[3]/div[1]/a'
browser = webdriver.Chrome(chrome_options=chrome_options)
browser.maximize_window()
browser.get('https://www.amazon.com/s/ref=lp_11444071011_nr_p_8_1/132-3636705-4291947?rh=n%3A3375251%2Cn%3A%213375301%2Cn%3A10971181011%2Cn%3A11444071011%2Cp_8%3A2229059011')

list_all_items()

我制作了一个方法,可以打印所有页面中的项目列表,并递归调用它,在方法的末尾,我单击next按钮。我没有给出休息和退出的条件,我希望你能应付。“list\u all\u items”方法是执行所需操作的逻辑。

还取消了对我已注释的代理部分的注释。

让我分几个步骤来解决这个问题,这样您就知道这里需要做什么了。

首先,您需要从一个页面获取所有产品。

然后,您需要获取所有页面,并在每个页面上重复第一步。

现在我不懂Python,所以我将尽可能多地以通用的方式来实现这一点。

首先,需要创建一个值为0的int。 之后,您需要获得页数。为此,请检查:

numberOfPagesString = browser.find_element_by_xpath('//span[@class='pagnDisabled']').text

numberOfPages = int(numberOfPagesString)

i = 0

然后需要创建一个循环。在循环中,您将在设置值0的地方增加int,最大值为400。

所以现在,每当int不等于400时,您的循环将单击下一页并获取所有产品,然后执行您希望它执行的操作。这将导致如下结果:

while i < numberOfPages **Here, as long as the value of i is less than 400, do this loop**

**code to get all products on page here**

**click on next page link**
browser.find_element_by_id('pagnNextString').click

i++ **here your i will become 1 after first page, 2 after second etc**

总之,您要做的第一件事是确定页面上有多少页。

然后,您将从浏览器返回的字符串中创建一个int。

然后创建一个值为0的int,每次迭代循环时,都将使用该int检查是否达到最大页数。

之后,您将首先从页面中获取所有产品(如果您不这样做,它将跳过第一页)。

最后,点击下一页按钮。

为了完成它,你需要用++得到一个增量,所以在每次循环之后,它会增加1。