影刀RPA 网页卡片列表采集：流式布局提取

影刀RPA 网页卡片列表采集流式布局提取作者林焱什么情况用什么现在很多网站的列表页不是传统表格而是卡片式布局——商品卡片、新闻列表、视频列表——每个卡片是一个独立的div块包含标题、图片、价格、链接等信息。这种布局用传统的表格提取方法取不到数据需要逐个卡片解析。适用场景电商商品列表采集、新闻资讯列表采集、视频网站内容列表、社交媒体帖子列表。怎么做卡片列表采集基本流程1. 【打开网页】→ 打开商品列表页 2. 【等待元素出现】→ 等待卡片容器加载 3. 【执行Python代码】→ 解析所有卡片 4. 【翻页】→ 点击下一页或滚动加载 5. [video(video-9YBE4VmK-1784736622564)(type-csdn)(url-https://live.csdn.net/v/embed/526818)(image-https://v-blog.csdnimg.cn/asset/582d14c3bd0451c5399cd990b56e2a0d/cover/Cover0.jpg)(title-拼多多店群自动化报活动上架)] 6. 循环2-4直到采集完解析卡片数据frombs4importBeautifulSoupimportrequestsdefscrape_card_list(url):采集卡片式列表headers{User-Agent:Mozilla/5.0 (Windows NT 10.0; Win64; x64)}responserequests.get(url,headersheaders,timeout10)soupBeautifulSoup(response.text,html.parser)# 找到所有卡片需要根据实际网站调整选择器cardssoup.select(.product-card)# 或 .item / .card / [data-id]results[]forcardincards:item{}# 标题title_elcard.select_one(.title)# 或 h3 / .nameitem[标题]title_el.get_text(stripTrue)iftitle_elelse# 价格price_elcard.select_one(.price)# 或 .cost / .amountitem[价格]price_el.get_text(stripTrue)ifprice_elelse# 链接link_elcard.select_one(a)item[链接]link_el.get(href,)iflink_elelse# 图片img_elcard.select_one(img)item[图片]img_el.get(src,)orimg_el.get(data-src,)ifimg_elelse# 评分rating_elcard.select_one(.rating)item[评分]rating_el.get_text(stripTrue)ifrating_elelseresults.append(item)returnresults# 使用datascrape_card_list(https://example.com/products)在影刀RPA中用可视化指令采集1. 【打开网页】→ 商品列表URL 2. 【等待元素出现】→ 选择器 .product-card 3. 【提取相似元素数据】→ 配置每个字段的子选择器 - 标题.product-card .title - 价格.product-card .price - 链接.product-card a → 属性href - 图片.product-card img → 属性src 4. 【点击元素】→ 下一页按钮 5. 【循环】→ 直到没有下一页滚动加载流式布局很多卡片列表不用翻页而是滚动到底部自动加载更多importtimedefscrape_infinite_scroll(url,max_scrolls20):采集无限滚动列表需配合影刀浏览器all_items[]forscroll_countinrange(max_scrolls):# 在影刀中用【执行JavaScript代码】滚动# window.scrollTo(0, document.body.scrollHeight)# 等待新内容加载time.sleep(2)# 获取当前页面所有卡片# 在影刀中用【获取网页源代码】或【提取相似元素数据】current_cardsget_current_cards()# 需要实现# 检查是否有新数据iflen(current_cards)len(all_items):print(f第{scroll_count1}次滚动无新数据停止)breakall_itemscurrent_cardsprint(f第{scroll_count1}次滚动共{len(all_items)}条)returnall_items在影刀RPA中用JavaScript节点滚动// 影刀【执行JavaScript代码】节点window.scrollTo(0,document.body.scrollHeight);多字段卡片采集defscrape_product_cards(html):采集商品卡片的多字段信息soupBeautifulSoup(html,html.parser)cardssoup.select([class*product])results[]forcardincards:item{}# 多层嵌套选择item[商品名]safe_extract(card,.title, .name, h3)item[价格]clean_price(safe_extract(card,.price, .cost))item[原价]clean_price(safe_extract(card,.original-price, .old-price))item[销量]safe_extract(card,.sales, .sold)item[店铺]safe_extract(card,.shop-name, .store)# 标签可能有多个tagscard.select(.tag, .label, .badge)item[标签]|.join([t.get_text(stripTrue)fortintags])# 链接处理相对路径linkcard.select_one(a)iflink:hreflink.get(href,)ifhref.startswith(//):hrefhttps:hrefelifhref.startswith(/):hrefhttps://example.comhref item[链接]href results.append(item)returnresultsdefsafe_extract(parent,selector_str):安全提取文本elparent.select_one(selector_str)returnel.get_text(stripTrue)ifelelsedefclean_price(text):清理价格文本importreifnottext:return# 去掉¥符号和逗号textre.sub(r[¥,],,text)returntext.strip()有什么坑坑1卡片选择器不稳定网站改版后class名变了选择器失效# 问题固定class名容易失效cardssoup.select(.product-card-item-2024)# 解决用多个选择器做后备cardssoup.select(.product-card, .item-card, [data-product-id], .goods-item)# 或者用更稳定的属性cardssoup.select([data-sku])# 用data属性更稳定坑2图片懒加载导致src为空TEMU店群矩阵自动化运营核价报活动# 问题img的src是占位图真实图片在data-src里img_elcard.select_one(img)srcimg_el.get(src)# 拿到的是loading.gif# 解决优先取data-srcsrcimg_el.get(data-src)orimg_el.get(data-original)orimg_el.get(src,)# 或者在影刀中先滚动到图片位置触发加载# 用【滚动到元素】指令坑3卡片数量和实际不符页面显示20个卡片但只提取到15个——有些卡片是广告或推荐位结构不同# 解决加验证条件只提取有效卡片forcardincards:# 必须有标题和价格才算有效商品卡片titlesafe_extract(card,.title)pricesafe_extract(card,.price)ifnottitleornotprice:continue# 跳过广告卡片item{标题:title,价格:price}results.append(item)坑4列表数据重复滚动加载时新数据追加到页面但每次都重新提取所有卡片导致重复# 解决用唯一标识去重seen_idsset()results[]forcardincards:# 用商品ID去重card_idcard.get(data-id)orcard.get(data-sku)ifcard_idandcard_idinseen_ids:continueifcard_id:seen_ids.add(card_id)itemparse_card(card)results.append(item)坑5异步加载内容缺失卡片的某些字段如销量、评价数是异步加载的首次请求时还没有# 解决1用影刀浏览器等待元素加载# 【等待元素出现】→ 销量选择器 → 超时5秒# 解决2找到AJAX接口直接请求# F12 → Network → 找到返回销量数据的APIsales_apifhttps://example.com/api/product/{product_id}/statssales_responserequests.get(sales_api,headersheaders)sales_datasales_response.json()item[销量]sales_data.get(sold_count,)