抓取：循环抓取多个页面（Beautifulsoup）

Question

我正在尝试使用 Beautifulsoup 抓取房地产数据，但是当我将抓取结果保存到 .csv 文件时，它只包含第一页中的信息。我想抓取我在“pages_number”变量中设置的页数。

# How many pages
pages_number =int(input('How many pages? '))
# inicializa o tempo de execução
tic = time.time()

# Chromedriver

chromedriver = "./chromedriver"
os.environ["webdriver.chrome.driver"] = chromedriver
driver = webdriver.Chrome(chromedriver)


#initial link
link = 'https://www.vivareal.com.br/aluguel/sp/sao-paulo/?__vt=lnv:a&page=1'
driver.get(link)

# creating looping pages

for page in range(1,pages_number+1):
    time.sleep(15)
    data = driver.execute_script("return document.getElementsByTagName('html' [0].innerHTML")
    soup_complete_source = BeautifulSoup(data.encode('utf-8'), "lxml")

我已经尝试过这个解决方案，但出现错误：

link = 'https://www.vivareal.com.br/aluguel/sp/sao-paulo/?__vt=lnv:a&page={}.format(page)'

有人知道可以做什么吗？

完整代码

https://github.com/arturlunardi/webscraping_vivareal/blob/main/scrap_vivareal.ipynb

Answer 1

我看到您使用的网址仅属于第 1 页。

https://www.vivareal.com.br/aluguel/sp/sao-paulo/?__vt=lnv:a&page=1

您是否在代码中的任何地方更改它？如果没有，那么无论您获取什么，它都只会从第 1 页获取。

你应该这样做：

    for page in range(1,pages_number+1):
        chromedriver = "./chromedriver"
        os.environ["webdriver.chrome.driver"] = chromedriver
        driver = webdriver.Chrome(chromedriver)

        #initial link
        link = f"https://www.vivareal.com.br/aluguel/sp/sao-paulo/?__vt=lnv:a&page={page}"
        driver.get(link)
        time.sleep(15)
        data = driver.execute_script("return document.getElementsByTagName('html' [0].innerHTML")
        soup_complete_source = BeautifulSoup(data.encode('utf-8'), "lxml")
        driver.close()

测试输出（不是汤的部分） - 用于pages_number = 3（将 url 存储在列表中，以便于查看）：

['https://www.vivareal.com.br/aluguel/sp/sao-paulo/?__vt=lnv:a&page=1', 'https://www.vivareal.com.br/aluguel/sp/sao-paulo/?__vt=lnv:a&page=2', 'https://www.vivareal.com.br/aluguel/sp/sao-paulo/?__vt=lnv:a&page=3']

Process finished with exit code 0