网页抓取（web scraping）是从网页中提取数据的过程。该过程通常涉及使用程序或脚本来获取网站上展示的信息，这些信息可以应用于不同领域和用途。例如，用于比较竞争对手的价格和服务、分析消费者偏好、监控各类新闻和事件等等。
网页抓取的工作流程包括：
确定目标：在第一步需要明确要提取哪些信息，以及来自哪些网站资源。
分析目标网页结构：研究 HTML 代码结构，以了解所需信息存储的位置和方式，查找并确定标签、ID、class 等元素。
开发数据获取脚本：编写代码（例如使用 Python 以及用于浏览器自动化的 Selenium 库），访问网页、提取所需数据并以结构化方式保存。
数据处理：提取的数据通常需要进一步转换才能使用，例如去重、格式修正、过滤无用数据等。
数据保存：将提取并处理后的数据保存为方便使用的格式，例如 CSV、JSON 或数据库等。
此外，还需要关注目标网站的变化，以便在必要时及时更新脚本。
Python 编程语言和 Selenium 库经常被用于网页抓取，原因如下：
易于使用：Python 使用简单，并拥有大量用于网页抓取的库。
模拟用户行为并访问动态内容：使用 Selenium 可以自动化浏览器中的用户操作，包括页面滚动和点击按钮等，从而加载所需数据。
绕过反爬机制：一些网站使用特殊的防护机制，通过模拟真实用户行为可以帮助绕过这些限制。
广泛支持：庞大的社区和丰富的资源使这些工具更易于使用。
让我们来看一个简单的网页抓取脚本示例。作为示例，我们将使用页面 https://webscraper.io/test-sites/e-commerce/allinone/product/123，我们将在该商品卡片中查找 128 GB HDD 容量的价格。
如果你的电脑尚未安装 Python，请访问 Python 官方网站 并下载适用于你的操作系统（Windows、macOS、Linux）的版本。在开发环境的终端中，可以使用以下命令检查 Python 版本：
python --version接下来需要安装 Selenium，可以执行以下命令：
pip install selenium创建一个新文件并导入必要的库：
import time
from selenium import webdriver
同时需要在项目中添加 ‘By’ 类，它用于在 Selenium 中定义页面元素的查找策略：
from selenium.webdriver.common.by import By
ChromeDriver 选项（ChromeOptions）用于在使用 Selenium 自动化时配置 Chrome 浏览器的启动行为和参数。以下是其中一些常见选项：
完整参数列表可以在 这里 查看。
在本示例中我们使用了无痕模式。初始化 Chrome 驱动并打开目标商品页面：
chrome_options = webdriver.ChromeOptions()
chrome_options.add_argument('--incognito')
driver = webdriver.Chrome(options=chrome_options)
driver.get('https://webscraper.io/test-sites/e-commerce/allinone/product/123')
driver = webdriver.Chrome(options=chrome_options)
driver.get('https://webscraper.io/test-sites/e-commerce/allinone/product/123')
在 Selenium 中，可以使用 By 类提供的多种方法在网页中查找元素。这些方法允许根据不同条件定位元素，例如元素 ID、class 名称、标签名、name 属性、链接文本、XPath 或 CSS 选择器。
按 ID 查找示例：
按 class 名称查找：
按标签名查找：
按 name 属性查找：
按链接文本查找：
按 CSS 选择器查找：
按 XPath 查找：
如果需要查找多个元素，则使用 find_elements 方法代替 find_element。
在我们的示例中，需要定位“128”按钮元素的位置以及价格信息：
在 Selenium 中，可以通过 WebElement 对象提供的方法来模拟网页上的用户操作。这些方法允许像真实用户一样与页面元素交互，例如点击、输入文本等。
以下是一些常用方法：
回到我们的示例。使用 XPath 定位目标按钮，点击该按钮，然后查找价格元素：
button_128 = driver.find_element(By.XPATH, "//button[@value='128']")
button_128.click()
# 等待一段时间以加载价格
time.sleep(3)
price_element = driver.find_element(By.XPATH, "//h4[@class='price float-end pull-right']")
最后在控制台输出指定 HDD 容量对应的商品价格：
price_text = price_element.text
print("商品价格:", price_text)
driver.quit()
因此，完整代码如下：
import time
from selenium import webdriver
from selenium.webdriver.common.by import By
chrome_options = webdriver.ChromeOptions()
chrome_options.add_argument('--incognito')
driver = webdriver.Chrome(options=chrome_options)
driver.get('https://webscraper.io/test-sites/e-commerce/allinone/product/123')
button_128 = driver.find_element(By.XPATH, "//button[@value='128']")
button_128.click()
time.sleep(3)
price_element = driver.find_element(By.XPATH, "//h4[@class='price float-end pull-right']")
price_text = price_element.text
print("商品价格:", price_text)
driver.quit()
在网站中经常会出现各种广告横幅和弹窗，这些元素可能会干扰脚本的执行。在这种情况下，可以配置 ChromeDriver 参数来禁用这些元素。以下是一些常见参数：
在我们示例的网站中，页面加载时会出现一个 Cookie 横幅。也可以通过其他方式将其移除，其中一种方法是使用脚本来屏蔽此类提示。首先，我们通过 开发者工具 来分析该元素：
我们将使用类 .t-consentPrompt 来定位 cookie 横幅，因为这是最稳定且可读性较好的 CSS 类。像 termly-styles-root-b0aebb 这样的随机生成类在网站更新后可能会发生变化，因此通常不用于自动化。
我们通过 style.display = 'none' 来隐藏横幅，这样它就不会遮挡页面，也不会影响 Selenium 与页面元素的交互。
现在可以在脚本中加入相应逻辑来隐藏该横幅：
import time
from selenium import webdriver
from selenium.webdriver.common.by import By
chrome_options = webdriver.ChromeOptions()
chrome_options.add_argument('--incognito')
driver = webdriver.Chrome(options=chrome_options)
driver.get('https://webscraper.io/test-sites/e-commerce/allinone/product/123')
# 用于隐藏 Termly cookie 横幅的脚本
script = """
var banner = document.querySelector('.t-consentPrompt');
if (banner) {
banner.style.display = 'none';
}
"""
driver.execute_script(script)
button_128 = driver.find_element(By.XPATH, "//button[@value='128']")
button_128.click()
time.sleep(3)
price_element = driver.find_element(By.XPATH, "//h4[@class='price float-end pull-right']")
price_text = price_element.text
print("商品价格:", price_text)
driver.quit()另一种关闭横幅的方法是模拟用户点击“Accept”或“Decline”按钮。可以通过开发者工具检查按钮元素（例如 Accept 按钮）：
我们可以通过 data-tid="banner-accept" 来定位该按钮，并使用 button.click() 进行点击：
import time
from selenium import webdriver
from selenium.webdriver.common.by import By
from selenium.webdriver.support.ui import WebDriverWait
from selenium.webdriver.support import expected_conditions as EC
chrome_options = webdriver.ChromeOptions()
chrome_options.add_argument('--incognito')
driver = webdriver.Chrome(options=chrome_options)
driver.get('https://webscraper.io/test-sites/e-commerce/allinone/product/123')
# 等待 Accept 按钮并点击
accept_button = WebDriverWait(driver, 10).until(
EC.element_to_be_clickable(
(By.XPATH, "//button[@data-tid='banner-accept']")
)
)
accept_button.click()
# 点击 128 GB 按钮
button_128 = driver.find_element(By.XPATH, "//button[@value='128']")
button_128.click()
time.sleep(3)
# 获取价格
price_element = driver.find_element(
By.XPATH,
"//h4[@class='price float-end pull-right']"
)
price_text = price_element.text
print("商品价格:", price_text)
driver.quit()另一种有效方法是使用 Chrome 扩展程序，它可以自动接受或屏蔽所有 cookie 横幅。这些扩展可以安装到浏览器中，然后通过 ChromeOptions 加载。下载合适的 .crx 扩展，并在脚本中使用：
import time
from selenium import webdriver
from selenium.webdriver.common.by import By
# .crx 扩展路径
extension_path = '/path/to/extension.crx'
chrome_options = webdriver.ChromeOptions()
chrome_options.add_argument('--incognito')
# 添加扩展
chrome_options.add_extension(extension_path)
driver = webdriver.Chrome(options=chrome_options)
driver.get('https://webscraper.io/test-sites/e-commerce/allinone/product/123')
button_128 = driver.find_element(By.XPATH, "//button[@value='128']")
button_128.click()
time.sleep(3)
price_element = driver.find_element(By.XPATH, "//h4[@class='price float-end pull-right']")
price_text = price_element.text
print("商品价格:", price_text)
driver.quit()这种方法可以避免你在页面加载时手动处理这些弹窗元素。
在数据提取过程中，经常会遇到验证码这一用于防止机器人访问的安全机制。为了解决这类限制，通常会使用专门的验证码识别服务。其中一个工具是 CapMonster Cloud，它能够在极短时间内自动解决最复杂的验证码问题。该服务同时提供浏览器扩展（适用于 Chrome 和 Firefox），以及 API 方法（可在 文档中查看），可以集成到你的代码中，用于获取 token、成功绕过验证并继续执行脚本。
CapMonster Cloud 可以轻松处理的验证码类型包括：
所有类型的 reCAPTCHA
GeeTest
Cloudflare Turnstile 和 Challenge
DataDome
该脚本使用官方 CapMonster Cloud Python 库以及 Selenium，在页面上解决验证码后，提取该页面标题并将其输出到控制台：
import asyncio
from selenium import webdriver
from selenium.webdriver.remote.webdriver import WebDriver
from selenium.webdriver.common.by import By
from selenium.webdriver.chrome.options import Options
from capmonstercloudclient import CapMonsterClient, ClientOptions
from capmonstercloudclient.requests import RecaptchaV2Request
async def solve_captcha(api_key, page_url, site_key):
client_options = ClientOptions(api_key=api_key)
cap_monster_client = CapMonsterClient(options=client_options)
recaptcha2request = RecaptchaV2Request(websiteUrl=page_url, websiteKey=site_key)
responses = await cap_monster_client.solve_captcha(recaptcha2request)
return responses['gRecaptchaResponse']
async def parse_site_title(driver: WebDriver, url: str) -> str:
driver.get(url)
driver.implicitly_wait(10)
title_element = driver.find_element(By.TAG_NAME, 'title')
title = title_element.get_attribute('textContent')
return title
async def main():
api_key = 'YOUR_API_KEY' # 请替换为你的 CapMonsterCloud API 密钥
page_url = 'https://lessons.zennolab.com/captchas/recaptcha/v2_simple.php?level=low'
site_key = '6Lcf7CMUAAAAAKzapHq7Hu32FmtLHipEUWDFAQPY'
options = Options()
driver = webdriver.Chrome(options=options)
captcha_response = await solve_captcha(api_key, page_url, site_key)
print("验证码结果:", captcha_response)
site_title = await parse_site_title(driver, page_url)
print("页面标题:", site_title)
driver.quit()
if __name__ == "__main__":
asyncio.run(main())
使用 Python 和 Selenium 进行网页抓取可以为自动化数据采集提供大量可能性，而与 CapMonster Cloud 的集成则可以轻松绕过验证码，大幅简化数据获取流程。这些工具不仅能够提升工作效率，还能提高数据的准确性和可靠性。借助它们，你可以从电商网站到新闻站点等多种来源收集数据，用于分析、研究或构建自己的项目。同时，这一切并不一定需要深厚的编程基础——现代技术让网页抓取对初学者也变得更加友好。因此，如果你追求简单、高效与节省时间的解决方案，那么 Python、Selenium 与 CapMonster Cloud 将是一个非常理想的组合。
