【发布时间】:2019-02-12 12:45:24
【问题描述】:
我正在尝试基于该页面的网络抓取构建数据框
https://www.schoolholidayseurope.eu/choose-a-country
html firstable 我对 selenium 说单击我选择的页面,然后我将 xpath 和标签元素放入构建标题和正文,但我没有我想要的格式我的元素是 NaN 或重复。
按照我的脚本:
def get_browser(url_selector):
"""Get the browser (a "driver")."""
#option = webdriver.ChromeOptions()
#option.add_argument(' — incognito')
path_to_chromedriver = r"C:/Users/xxxxx/Downloads/chromedriver_win32/chromedriver.exe"
browser = webdriver.Chrome(executable_path= path_to_chromedriver)
browser.get(url_selector)
""" Try with Italie"""
browser.find_element_by_xpath(italie_buton_xpath).click()
""" Raise exception : down browser if loading take more than 45sec : timer is the logo website as a flag"""
# Wait 45 seconds for page to load
timeout = 45
try:
WebDriverWait(browser, timeout).until(EC.visibility_of_element_located((By.XPATH, '//*[@id="s5_logo_wrap"]/img')))
except TimeoutException:
print("Timed out waiting for page to load")
browser.quit()
return browser
browser = get_browser(url_selector)
headers = browser.find_element_by_xpath('//*[@id="s5_component_wrap_inner"]/main/div[2]/div[2]/div[3]/table/thead').find_elements_by_tag_name('tr')
headings = [i.text.strip() for i in headers]
bs_obj = BeautifulSoup(browser.page_source, 'html.parser')
rows = bs_obj.find_all('table')[0].find('tbody').find_all('tr')[1:]
table = []
for row in rows :
line = next(td.get_text() for td in row.find_all("td"))
print(line)
table.append(line)
browser.quit()
pd.DataFrame(line, columns = headings)
返回
单列数据框,例如:
School Holiday Region Start date End date Week
0 Easter holidays 2018
1 REMARK: Small differences by region are possi...
2 Summer holiday 2018
3 REMARK: First region through to last region.
4 Christmas holiday 2018
这里有三个问题,我不希望 REMARK 行和学校假期开始日期和结束日期被视为单独的单词,并且整个数据框未拆分。
如果我拆分我的标题并排列两个不匹配的形状 由于 REMARKS 行,我的列表中有 9 个元素而不是 3 个,并且由于单词分开,我在标题中得到了 8 个元素而不是 5 个。
【问题讨论】:
-
你能告诉我在你的帖子中使用
pd.DataFrame(line, columns = headings)吗?或者应该是pd.DataFrame(table, columns = headings)。 -
还发布您遇到的错误的完整回溯。
-
我没有看到那个错误,但是数据框仍然没有拆分,只有一列结构
-
您在哪一行出现错误?
-
我现在编辑没有更多错误,只是结构不理想
标签: python html web-scraping beautifulsoup selenium-chromedriver