使用 Selenium 和 BeautifulSoup4 抓取动态加载的 Href 属性

Question

我尝试使用 Selenium 和 BeautifulSoup4 抓取动态加载的 href 属性。

当我查看网站源时，href 属性为空但是当我单击检查元素时，href 属性将有一个链接。表示 href 属性是动态加载的。如何提取该链接？

我正在尝试使用以下代码

def Scrape_Udemy():
    driver.get('https://couponscorpion.com/marketing/complete-guide-to-pinterest-pinterest-growth-2020/')
    content = driver.page_source
    soup = BeautifulSoup(content, 'html.parser')
    course_link = soup.find_all('div',{'class':"rh_button_wrapper"})
    for i in course_link:
        link = i.find('a',href=True)
        if link is None:
           print('No Links Found')
        print(link['href'])

但是当我运行这个函数时，这是打印 []。我正在使用 Chrome 驱动程序我该如何解决这个问题。我想抓取来自 Url https://couponscorpion.com/marketing/complete-guide-to-pinterest-pinterest-growth-2020/的免费优惠券代码链接

Answer 1

两件事

1. 在获取页面源之前需要单击一个允许框
2. 您的链接是span 的直接子代，而不是div

代码

import time
from selenium import webdriver
from bs4 import BeautifulSoup
driver = webdriver.Chrome(executable_path=r'c:\users\aaron\chromedriver.exe')
driver.get('https://couponscorpion.com/marketing/complete-guide-to-pinterest-pinterest-growth-2020/')
time.sleep(5)
driver.find_element_by_xpath('//button[@class="align-right primary slidedown-button"]').click()
content = driver.page_source
soup = BeautifulSoup(content, 'html.parser')
course_link = soup.find_all('span',{'class':"rh_button_wrapper"})
for i in course_link:
    link = i.find('a',href=True)
    if link is None:
        print('No Links Found')
    print(link['href'])

输出

https://couponscorpion.com/scripts/udemy/out.php?go=Q25aTzVXS1l0TXg1TExNZHE5a3pEUEM4SUxUZlBhWEhZWUwwd2FnS3RIVC96cE5lZEpKREdYcUFMSzZZaGlCM0V6RzF1eUE3aVJNaURZTFp5L0tKeVZ4dmRjOTcxN09WbVlKVXhOOGtIY2M9&s=e89c8d0358244e237e0e18df6b3fe872c1c1cd11&n=1298829005&a=0

解释

始终查看driver.get() 时会发生什么，有时需要单击某些框才能获取页面源。必须进行所有浏览器活动。

我们正在使用 XPATH 选择器在该框上找到要单击的元素。

//button[@class="align-right primary slidedown-button"]

这意味着

// - The entire DOM 
button - The HTML tag we want
[@class=""] - The HTML tag with class "" 

我通常会在访问元素之前等待一些时间，此页面需要一段时间才能加载，并且通常您需要添加一些等待才能获得所需的元素或页面的一部分。

有几种方法可以做到这一点，这是使用模块时间的快速而肮脏的方法。有一些特定的方法可以使用 selenium 等待元素出现。我实际上尝试过这些，但无法让它发挥作用。

请参阅文档中的here 和here 了解值得了解的具体部分。

如果您查看 HTML，您会发现链接位于 span 类的 rh_button_wrapper 元素后面，而不是 div。