使用Selenium从Google Maps提取地点评分与评论数据教程

DDD
发布: 2025-07-16 20:04:02
原创
405人浏览过

使用Selenium从Google Maps提取地点评分与评论数据教程

本教程详细介绍了如何使用Python和Selenium库从Google Maps抓取特定地点的评分星级和评论数量。文章涵盖了Selenium环境配置、Google Maps导航与搜索、处理动态加载内容(如滚动加载)、以及通过精确的XPath定位和正则表达式解析来提取目标数据。通过一个完整的代码示例,本教程旨在帮助读者构建健壮的Google Maps数据抓取解决方案,并提供了相关的最佳实践与注意事项。

引言:Google Maps数据抓取的挑战

google maps作为一个高度动态的web应用,其内容通常通过javascript异步加载,并且在用户滚动页面时持续加载更多数据。这使得传统的静态网页抓取工具难以应对。selenium作为一款强大的浏览器自动化工具,能够模拟用户行为,如点击、输入、滚动等,因此成为抓取此类动态网站的理想选择。本文将聚焦于如何利用selenium从google maps中准确提取地点的评分和评论数量,并解决在定位元素时常见的xpath问题。

环境准备与初始化

在开始之前,请确保您已安装Python和Selenium库,并下载了与您的Chrome浏览器版本兼容的ChromeDriver。

pip install selenium
登录后复制

Selenium导入与WebDriver配置

首先,导入必要的Selenium模块,并配置Chrome WebDriver。add_experimental_option("detach", True) 选项可以使浏览器在脚本执行完毕后不立即关闭,方便调试。

from selenium import webdriver
from selenium.webdriver.chrome.options import Options
from selenium.webdriver.common.by import By
from selenium.webdriver.common.keys import Keys
from selenium.webdriver.support import expected_conditions as EC
from selenium.webdriver import ActionChains
from selenium.webdriver.support.ui import WebDriverWait
import time
import re # 用于解析评分和评论数量

# 配置Chrome选项
chrome_options = Options()
chrome_options.add_experimental_option("detach", True) # 保持浏览器开启

# 初始化WebDriver
driver = webdriver.Chrome(options=chrome_options)
actionChains = ActionChains(driver) # 用于执行复杂的用户交互,如滚动
wait = WebDriverWait(driver, 20) # 显式等待,最长等待20秒
登录后复制

辅助函数:wait_for_element_location_to_be_stable

在处理动态加载的页面时,元素的位置可能会在加载过程中发生变化。此辅助函数用于等待元素的位置稳定,确保后续操作的准确性。

def wait_for_element_location_to_be_stable(element):
    """
    等待给定元素的位置稳定,避免因元素位置变化导致的StaleElementReferenceException。
    """
    initial_location = element.location
    previous_location = initial_location
    start_time = time.time()
    while time.time() - start_time < 1: # 在1秒内位置没有变化则认为稳定
        current_location = element.location
        if current_location != previous_location:
            previous_location = current_location
            start_time = time.time() # 位置变化,重置计时器
        time.sleep(0.4) # 短暂等待
登录后复制

导航与搜索操作

接下来,我们将导航到Google Maps并执行搜索查询。

# 访问Google主页并同意Cookies(如果出现)
driver.get("https://www.google.com/")
try:
    # 尝试查找并点击同意Cookies按钮,此ID可能因地区而异
    wait.until(EC.element_to_be_clickable((By.ID, "L2AGLb"))).click()
except:
    print("未找到或无需点击Cookies同意按钮。")

# 访问Google Maps
driver.get("https://www.google.com/maps")

# 等待页面加载并找到搜索框
time.sleep(3) # 简单等待,可替换为显式等待
search_box = wait.until(EC.presence_of_element_located((By.ID, "searchboxinput")))

# 输入搜索查询并回车
search_box.send_keys("jardins in toulouse")
search_box.send_keys(Keys.RETURN)

# 等待搜索结果加载
time.sleep(5) # 简单等待,可替换为更精确的等待条件
登录后复制

动态加载与滚动机制

Google Maps的搜索结果通常是懒加载的,即只有当用户滚动到页面底部时,才会加载更多结果。为了获取更多数据,我们需要模拟滚动操作。

# 定位第一个结果列表中的元素,用于滚动操作
# hfpxzc 是每个地点结果卡片的链接元素的class
results = wait.until(EC.presence_of_all_elements_located((By.XPATH, "//a[@class='hfpxzc']")))

# 模拟滚动以加载更多结果
break_condition = False
# 找到一个可以作为滚动焦点的元素,通常是侧边栏的某个固定元素
focus_element = driver.find_element(By.ID, 'zero-input') # 这是一个常见的Google Maps侧边栏输入框ID

while not break_condition:
    # 记录当前列表中的最后一个元素
    temp_last_element = results[-1]

    # 滚动到最后一个元素
    actionChains.scroll_to_element(temp_last_element).perform()

    # 模拟点击焦点元素,确保滚动条激活
    actionChains.move_to_element(focus_element).click().perform()

    # 模拟按下几次向下箭头键,确保滚动发生
    for _ in range(3):
        actionChains.send_keys(Keys.ARROW_DOWN).perform()
        time.sleep(0.5)

    # 等待最后一个元素的位置稳定,确认滚动已完成
    wait_for_element_location_to_be_stable(temp_last_element)

    # 重新获取所有结果元素
    results = wait.until(EC.presence_of_all_elements_located((By.XPATH, "//a[@class='hfpxzc']")))

    # 如果新的结果列表的最后一个元素与之前的最后一个元素相同,说明已滚动到底部,没有更多新内容加载
    if results[-1] == temp_last_element:
        break_condition = True
登录后复制

核心:准确提取评分与评论

这是整个抓取过程的关键部分。原始的问题在于,尝试使用绝对XPath或不正确的相对XPath来定位评分元素,导致无法在循环中正确获取每个结果的评分。

FashionLabs
FashionLabs

AI服装模特、商品图,可商用,低价提升销量神器

FashionLabs 38
查看详情 FashionLabs

XPath定位策略:从绝对到相对

Google Maps中每个地点结果是一个独立的卡片。评分和评论数量通常位于该卡片内部。因此,我们需要从当前结果元素 (result) 的上下文出发,使用相对XPath来定位其内部的评分元素。

  • 原始的 rating_xpath = "/html/body/div[3]/div[8]/div[9]/div/div/div[1]/div[2]/div/div[1]/div/div/div[2]/div[1]" 是一个绝对XPath,它只能定位到页面上的第一个(或特定位置的)评分元素,并且不适用于循环中的每个 result 元素。
  • 正确的做法是,从 result 元素(它是一个 <a> 标签,class 为 hfpxzc)向上回溯到其父容器,然后向下查找包含评分信息的元素。通过观察HTML结构,可以发现评分信息通常位于 <a> 标签的父级或祖父级元素中,并有一个独特的class。答案中指出的 MW4etd 是一个非常关键的class。
  • .. 表示当前元素的父节点。所以,..//*[@class='MW4etd'] 的含义是:从当前 result 元素的父节点开始,在任意层级的后代中查找所有 class 属性为 MW4etd 的元素。

MW4etd 类:解析综合文本

通常,Google Maps的评分和评论数量是作为一个文本字符串显示在一个元素中,例如 "4.5 (1,234)"。这个字符串包含星级评分和评论数量。我们需要使用正则表达式来从中提取这两个数值。

数据解析:正则表达式提取评分和评论数

# 循环遍历前100个结果(或所有已加载的结果)
for i, result in enumerate(results[:100], start=1):
    name = result.get_attribute('aria-label') # 获取地点的名称

    # 使用相对XPath定位评分和评论元素
    # ratings_elements 是一个列表,因为 find_elements 返回所有匹配的元素
    ratings_elements = result.find_elements(By.XPATH, "..//*[@class='MW4etd']")

    rating_value = "N/A"
    review_count = "N/A"

    if len(ratings_elements) > 0:
        full_text = ratings_elements[0].text # 获取包含评分和评论的完整文本

        # 使用正则表达式从文本中提取评分和评论数量
        # 模式解释:
        # (\d+\.?\d*) : 匹配一个或多个数字,可选的小数点和数字 (例如 4.1, 5) - 这是评分
        # \s* : 匹配零个或多个空格
        # \( : 匹配开括号 (需要转义)
        # (\d{1,3}(?:,\d{3})*) : 匹配数字,可能包含逗号 (例如 1,234) - 这是评论数量
        # \) : 匹配闭括号 (需要转义)
        match = re.search(r'(\d+\.?\d*)\s*\((\d{1,3}(?:,\d{3})*)\)', full_text)

        if match:
            rating_value = float(match.group(1)) # 提取评分
            # 提取评论数量,并移除逗号以便转换为整数
            review_count = int(match.group(2).replace(',', '')) 
        else:
            # 如果没有找到 (评分) 格式,尝试只提取评分数字
            single_rating_match = re.search(r'(\d+\.?\d*)', full_text)
            if single_rating_match:
                rating_value = float(single_rating_match.group(1))

    print(f"Result {i}: {name} - Rating: {rating_value} - Reviews: {review_count}")

# 关闭浏览器
driver.quit()
登录后复制

完整代码示例

将上述所有代码片段整合,形成一个完整的、可运行的Python脚本。

from selenium import webdriver
from selenium.webdriver.chrome.options import Options
from selenium.webdriver.common.by import By
from selenium.webdriver.common.keys import Keys
from selenium.webdriver.support import expected_conditions as EC
from selenium.webdriver import ActionChains
from selenium.webdriver.support.ui import WebDriverWait
import time
import re

# --- 配置与初始化 ---
chrome_options = Options()
chrome_options.add_experimental_option("detach", True) # 保持浏览器开启,方便调试

driver = webdriver.Chrome(options=chrome_options)
actionChains = ActionChains(driver)
wait = WebDriverWait(driver, 20)

# --- 辅助函数 ---
def wait_for_element_location_to_be_stable(element):
    """
    等待给定元素的位置稳定,避免因元素位置变化导致的StaleElementReferenceException。
    """
    initial_location = element.location
    previous_location = initial_location
    start_time = time.time()
    while time.time() - start_time < 1:
        current_location = element.location
        if current_location != previous_location:
            previous_location = current_location
            start_time = time.time()
        time.sleep(0.4)

# --- 导航与搜索 ---
driver.get("https://www.google.com/")
try:
    wait.until(EC.element_to_be_clickable((By.ID, "L2AGLb"))).click()
except:
    print("未找到或无需点击Cookies同意按钮。")

driver.get("https://www.google.com/maps")
time.sleep(3) # 等待页面加载
search_box = wait.until(EC.presence_of_element_located((By.ID, "searchboxinput")))
search_box.send_keys("jardins in toulouse")
search_box.send_keys(Keys.RETURN)
time.sleep(5) # 等待搜索结果加载

# --- 动态加载与滚动 ---
results = wait.until(EC.presence_of_all_elements_located((By.XPATH, "//a[@class='hfpxzc']")))

break_condition = False
focus_element = driver.find_element(By.ID, 'zero-input') # 侧边栏的某个固定元素ID

while not break_condition:
    temp_last_element = results[-1]
    actionChains.scroll_to_element(temp_last_element).perform()
    actionChains.move_to_element(focus_element).click().perform()
    for _ in range(3):
        actionChains.send_keys(Keys.ARROW_DOWN).perform()
        time.sleep(0.5)
    wait_for_element_location_to_be_stable(temp_last_element)

    results = wait.until(EC.presence_of_all_elements_located((By.XPATH, "//a[@class='hfpxzc']")))
    if results[-1] == temp_last_element:
        break_condition = True

# --- 提取数据 ---
# 循环遍历前100个结果(或所有已加载的结果)
for i, result in enumerate(results[:100], start=1):
    name = result.get_attribute('aria-label')
    ratings_elements = result.find_elements(By.XPATH, "..//*[@class='MW4etd']")

    rating_value = "N/A"
    review_count = "N/A"

    if len(ratings_elements) > 0:
        full_text = ratings_elements[0].text
        match = re.search(r'(\d+\.?\d*)\s*\((\d{1,3}(?:,\d{3})*)\)', full_text)

        if match:
            rating_value = float(match.group(1))
            review_count = int(match.group(2).replace(',', '')) 
        else:
            single_rating_match = re.search(r'(\d+\.?\d*)', full_text)
            if single_rating_match:
                rating_value = float(single_rating_match.group(1))

    print(f"Result {i}: {name} - Rating: {rating_value} - Reviews: {review_count}")

# --- 清理 ---
driver.quit()
登录后复制

注意事项与优化建议

  1. XPath的健壮性: 尽量使用相对XPath和具有稳定性的CSS选择器或class名称。避免使用过于依赖DOM结构的绝对XPath,因为它们在页面结构微小变化时很容易失效。
  2. 异常处理与数据缺失: 在实际项目中,应使用 try-except 块来捕获可能出现的 NoSuchElementException 或 StaleElementReferenceException 等异常,以提高脚本的健壮性。对于可能不存在的元素,使用 find_elements(返回列表)而非 find_element(抛出异常),并检查列表长度。
  3. 反爬策略与伦理:
    • 延时(time.sleep): 在每次操作之间加入适当的延时,模拟人类行为,避免因请求频率过高而被网站封禁IP。
    • 用户代理(User-Agent): 模拟常见的浏览器User-Agent。
    • 无头模式: 在生产环境中,可以启用Chrome的无头模式(chrome_options.add_argument("--headless")),这样浏览器界面不会显示,节省资源。
    • IP代理: 如果需要大规模抓取,考虑使用IP代理池。
    • 遵守网站条款: 在抓取任何网站数据之前,请务必查阅其服务条款,确保您的行为符合规定。
  4. 性能优化:
    • 显式等待(WebDriverWait): 优先使用 WebDriverWait 和 expected_conditions 来等待元素出现或满足特定条件,而不是简单的 time.sleep()。这可以提高脚本的效率和稳定性。
    • 无图模式: 禁用图片加载可以显著加快页面加载速度:chrome_options.add_argument("--blink-settings=imagesEnabled=false")。

总结

通过本教程,您应该已经掌握了使用Selenium从Google Maps抓取动态加载数据(如地点评分和评论数量)的核心技术。关键在于理解动态内容的加载机制、正确使用XPath进行元素定位,以及通过正则表达式对提取的文本数据进行精细解析。结合适当的错误处理和优化策略,您可以构建出高效且健壮的Web抓取解决方案。

以上就是使用Selenium从Google Maps提取地点评分与评论数据教程的详细内容,更多请关注php中文网其它相关文章!

最佳 Windows 性能的顶级免费优化软件
最佳 Windows 性能的顶级免费优化软件

每个人都需要一台速度更快、更稳定的 PC。随着时间的推移,垃圾文件、旧注册表数据和不必要的后台进程会占用资源并降低性能。幸运的是,许多工具可以让 Windows 保持平稳运行。

下载
来源:php中文网
本文内容由网友自发贡献,版权归原作者所有,本站不承担相应法律责任。如您发现有涉嫌抄袭侵权的内容,请联系admin@php.cn
最新问题
开源免费商场系统广告
热门教程
更多>
最新下载
更多>
网站特效
网站源码
网站素材
前端模板
关于我们 免责申明 举报中心 意见反馈 讲师合作 广告合作 最新更新 English
php中文网:公益在线php培训,帮助PHP学习者快速成长!
关注服务号 技术交流群
PHP中文网订阅号
每天精选资源文章推送
PHP中文网APP
随时随地碎片化学习

Copyright 2014-2025 https://www.php.cn/ All Rights Reserved | php.cn | 湘ICP备2023035733号