Python Web Scraping 简明教程

Python Web Scraping - Data Extraction

分析网页意味着理解其结构。现在，问题来了，它对网络抓取来说为何至关重要？在本章中，让我们详细了解一下。

Web page Analysis

网页分析很重要，因为如果不进行分析，我们就无法知道在提取之后将以何种形式（结构化或非结构化）从该网页接收数据。以下几种方法可以进行网页分析

Viewing Page Source

这是一个通过检查源代码来了解网页如何构建的方法。要实现这一点，我们需要右键单击该页面，然后必须选择 View page source 选项。然后，我们将从该网页中以 HTML 形式获取我们感兴趣的数据。但主要问题是空白和格式，我们很难对其进行格式化。

Inspecting Page Source by Clicking Inspect Element Option

这是另一种分析网页的方法。但不同的是，它将解决网页源代码中的格式和空白问题。可以通过右键单击，然后从菜单中选择 Inspect 或 Inspect element 选项来实现这一点。它将提供有关该网页的特定区域或元素的信息。

Different Ways to Extract Data from Web Page

以下方法大多用于从网页中提取数据

Regular Expression

它们是Python中嵌入的高度专业化编程语言。我们可以通过Python re 模块使用它。它也被称为 RE 或正则表达式或正则表达式模式。在正则表达式的帮助下，我们可以为我们希望从数据中匹配的可能字符串集指定一些规则。

如果您想进一步了解常规表达式，请转到链接 [role="bare" [role="bare"]https://www.tutorialspoint.com/automata_theory/regular_expressions.htm ，如果您想进一步了解Python中的re模块或正则表达式，您可以关注 link [role="bare" [role="bare"]https://www.tutorialspoint.com/python/python_reg_expressions.htm 。

Example

在以下示例中，我们在通过正则表达式匹配 <td> 的内容后，将从 http://example.webscraping.com 抓取有关印度的数据。

import re
import urllib.request
response =
   urllib.request.urlopen('http://example.webscraping.com/places/default/view/India-102')
html = response.read()
text = html.decode()
re.findall('<td class="w2p_fw">(.*?)</td>',text)

Output

相应的输出将如下所示：

[
   '<img src="/places/static/images/flags/in.png" />',
   '3,287,590 square kilometres',
   '1,173,108,018',
   'IN',
   'India',
   'New Delhi',
   '<a href="/places/default/continent/AS">AS</a>',
   '.in',
   'INR',
   'Rupee',
   '91',
   '######',
   '^(\\d{6})$',
   'enIN,hi,bn,te,mr,ta,ur,gu,kn,ml,or,pa,as,bh,sat,ks,ne,sd,kok,doi,mni,sit,sa,fr,lus,inc',
   '<div>
      <a href="/places/default/iso/CN">CN </a>
      <a href="/places/default/iso/NP">NP </a>
      <a href="/places/default/iso/MM">MM </a>
      <a href="/places/default/iso/BT">BT </a>
      <a href="/places/default/iso/PK">PK </a>
      <a href="/places/default/iso/BD">BD </a>
   </div>'
]

请注意，在以上输出中，您可以看到有关印度国家详细信息，方法是使用正则表达式。

Beautiful Soup

假设我们要从网页中收集所有超链接，那么我们可以使用一个名为 BeautifulSoup 的解析器，可以在 https://www.crummy.com/software/BeautifulSoup/bs4/doc/. 中更详细地了解它。简而言之，BeautifulSoup 是一个用于从 HTML 和 XML 文件中提取数据的 Python 库。它可与请求一起使用，因为它需要一个输入（文档或 url）来创建汤对象，因为它本身无法获取网页。您可以使用以下 Python 脚本来收集网页标题和超链接。

Installing Beautiful Soup

使用 pip 命令，我们可以将 beautifulsoup 安装在我们的虚拟环境或全局安装中。

(base) D:\ProgramData>pip install bs4
Collecting bs4
   Downloading
https://files.pythonhosted.org/packages/10/ed/7e8b97591f6f456174139ec089c769f89
a94a1a4025fe967691de971f314/bs4-0.0.1.tar.gz
Requirement already satisfied: beautifulsoup4 in d:\programdata\lib\sitepackages
(from bs4) (4.6.0)
Building wheels for collected packages: bs4
   Running setup.py bdist_wheel for bs4 ... done
   Stored in directory:
C:\Users\gaurav\AppData\Local\pip\Cache\wheels\a0\b0\b2\4f80b9456b87abedbc0bf2d
52235414c3467d8889be38dd472
Successfully built bs4
Installing collected packages: bs4
Successfully installed bs4-0.0.1

Example

请注意，在此示例中，我们正在扩展使用请求 python 模块实现的以上示例。我们使用 r.text 来创建一个汤对象，该对象将进一步用于获取网页标题等详细信息。

第一步，我们需要导入必要的 Python 模块

import requests
from bs4 import BeautifulSoup

在以下代码行中，我们使用请求通过发出 GET 请求来对 URL https://authoraditiagarwal.com/ 发出 HTTP GET 请求。

r = requests.get('https://authoraditiagarwal.com/')

现在我们需要创建一个汤对象，如下所示

soup = BeautifulSoup(r.text, 'lxml')
print (soup.title)
print (soup.title.text)

Output

相应的输出将如下所示：

<title>Learn and Grow with Aditi Agarwal</title>
Learn and Grow with Aditi Agarwal

Lxml

我们将要讨论的用于网络抓取的另一个 Python 库是 lxml。这是一个高性能的 HTML 和 XML 解析库。它相对快速且简单。您可以在 https://lxml.de/. 上阅读更多相关内容

Installing lxml

使用 pip 命令，我们可以将 lxml 安装在我们的虚拟环境中或将其全局安装。

(base) D:\ProgramData>pip install lxml
Collecting lxml
   Downloading
https://files.pythonhosted.org/packages/b9/55/bcc78c70e8ba30f51b5495eb0e
3e949aa06e4a2de55b3de53dc9fa9653fa/lxml-4.2.5-cp36-cp36m-win_amd64.whl
(3.
6MB)
   100% |¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦| 3.6MB 64kB/s
Installing collected packages: lxml
Successfully installed lxml-4.2.5

Example: Data extraction using lxml and requests

在以下示例中，我们使用 lxml 和 requests 从 authoraditiagarwal.com 中抓取网页的特定元素 −

首先，我们需要按以下方式从 lxml 库导入 requests 和 html −

import requests
from lxml import html

现在，我们需要提供要抓取的网页的 url

url = https://authoraditiagarwal.com/leadershipmanagement/

现在，我们需要提供 (Xpath) 特定元素的路径 −

path = '//*[@id="panel-836-0-0-1"]/div/div/p[1]'
response = requests.get(url)
byte_string = response.content
source_code = html.fromstring(byte_string)
tree = source_code.xpath(path)
print(tree[0].text_content())

Output

相应的输出将如下所示：

The Sprint Burndown or the Iteration Burndown chart is a powerful tool to communicate
daily progress to the stakeholders. It tracks the completion of work for a given sprint
or an iteration. The horizontal axis represents the days within a Sprint. The vertical
axis represents the hours remaining to complete the committed work.