Clicknium 大更新，支持结构化数据抓取

V2EX = way to explore

V2EX 是一个关于分享和探索的地方

已注册用户请登录

爱意满满的作品展示区。

这是一个创建于 517 天前的主题，其中的信息可能已经有所发展或是发生改变。

Clicknium上线以后收到了不少反馈，其中很多用户在使用 Clicknium 来抓取数据。场景很多比如购物网站的商品名，价格和图片等，甚至就是网页上的一个表格。Clicknium 有提供获取相似数据（ Similar elements ）的功能，但是只能用来抓取同一类数据，小伙伴们只能分列抓取表格数据着实比较费劲，还得涉及到列之间的匹配问题，确实非常劝退。所以研究了一下，加上了获取结构化数据的功能（ data scraper ）。主要有两个使用场景：

表格
非表格

使用方法：

点击 VS code 上的 Capture 按钮会启动 Recorder ，选择 Data Scraper ，Ctrl + Click
以 Coingecko举例，当需要抓取下面的表格
只需要使用Ctrl+鼠标左键点击表格第一行第一列数据，Clicknium 会自动判断抓取对象为表格，并提示是否抓取全表信息：

选择 Yes 后，获得数据预览，在这个窗口中可以看到抓取到的数据量，修改和删除列，改变列顺序：

非表格数据以最常见的京东作为例子：京东手机页面抓取商品名、价格和图片，点击 data scraper ，开始抓取元素。采用两行确定一列的模式，操作方式与获取相似元素类似：
抓取第一列第一个元素
抓取第一列第二个元素
添加列，抓取第二列第一个元素
抓取第二列第二个元素。。。

Clicknium 自动计算网页结构得到下表：
在预览页面，可以修改列名，信息和选择属性值：获得结构化数据：

from clicknium import clicknium as cc, locator
import pandas as pd

row = cc.scrape_data(locator.jd.phone)
df = pd.json_normalize(row)
print(df.head(10))

Scrape_data 接口会返回 json 格式的文本数据, 不仅如此，该函数支持传入翻页按钮的 locator 实现自动翻页，翻页支持设置控件和模拟鼠标等方式，等待页面加载，抓取数据条数控制和超时。

    def scrape_data(
        locator: Union[_Locator, str],
        locator_variables: dict = {},
        next_page_button_locator: Union[_Locator, str] = None,
        next_page_button_locator_variables: dict = {},
        next_page_button_by: Union[Literal["default", "mouse-emulation", "control-invocation"], MouseActionBy] = MouseActionBy.Default,
        wait_page_load_time: int = 5,
        max_count: int = -1,
        timeout: int = 30
    ) -> object:

简单录个屏：

https://www.bilibili.com/video/BV1aW4y1W7xQ/?vd_source=196b3ee9ffb643890ce610323e5504e5

https://www.youtube.com/watch?v=1gDGnzrwWLk

一些 updates：