我正在尝试使用Selenium或Beautifulsoup 4从https://www.finishline.com抓取数据.到目前为止,我一直没有成功,所以我向Stackoverflow寻求帮助-希望有人知道绕过其抓取保护的方法.
我尝试使用Beautifulsoup 4和Selenium.以下是一些简单的示例.
我的主程序中使用的一般导入：
import requests
import csv
import io
import os
import re
from selenium import webdriver
from selenium.webdriver.common.keys import Keys
from selenium.webdriver.chrome.options import Options
from datetime import datetime
from bs4 import BeautifulSoup
Beautifulsoup 4代码：
data2 = requests.get("https://www.finishline.com/store/product/mens-nike-air-max-95-se-casual-shoes/prod2783292?styleId=AJ2018&colorId=004")
soup2 = BeautifulSoup(data2.text,'html.parser')
x = soup2.find('h1',attrs={'id': 'title'}).text.strip()
print(x)
硒代码：
options = Options()
options.headless = True
options.add_argument('log-level=3')
driver = webdriver.Chrome(options=options)
driver.get("https://www.finishline.com/store/product/mens-nike-air-max-95-se-casual-shoes/prod2783292?styleId=AJ2018&colorId=004")
x = driver.find_element_by_xpath("//h1[1]")
print(x)
driver.close()
Beautifulsoup 4片段有时会卡住而无所事事,而有时返回
requests.exceptions.ConnectionError: ('Connection aborted.',OSError("(10060,'WSAETIMEDOUT')"))
硒片段返回
<selenium.webdriver.remote.webelement.WebElement (session="b3707fb7d7b201e2fa30dabbedec32c5",element="0.10646785765405364-1")>
这意味着它确实找到了元素,但是当我尝试通过更改将其转换为文本时
x = driver.find_element_by_xpath("//h1[1]")
至
x = driver.find_element_by_xpath("//h1[1]").text
它会返回“访问被拒绝”,这也是网站本身有时在浏览器中返回的内容.清除cookie可以绕过它.
有人知道从该网站抓取数据的方法吗？提前致谢.
最佳答案
服务器由于用户代理而拒绝了该请求,因此我向请求添加了用户代理.
headers = {
'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML,like Gecko) Chrome/73.0.3683.86 Safari/537.36'
}
data2 = requests.get("https://www.finishline.com/store/product/mens-nike-air-max-95-se-casual-shoes/prod2783292?styleId=AJ2018&colorId=004",headers=headers)
soup2 = BeautifulSoup(data2.text,attrs={'id': 'title'}).text.strip()
print(x)
输出：
Men's Nike Air Max 95 SE Casual Shoes