如何使用 Python 和 BeautifulSoup 爬取网站

作者丨Justin Yek

译者丨平川

互联网上的信息如此之多,任何人穷其一生也无法全部消化吸收。你需要的不是访问这些信息,而是一种可伸缩的方式,可以用来收集、组织和分析这些信息。你需要的是 Web 爬取。Web 爬取可以自动提取数据,并以一种让你可以轻松理解的格式显示出来。Web 爬取可以用于许多场景,但本教程将重点介绍它在金融市场中的应用。

互联网上的信息如此之多,任何人穷其一生也无法全部消化吸收。你需要的不是访问这些信息,而是一种可伸缩的方式,可以用来收集、组织和分析这些信息。

你需要的是 Web 爬取。

Web 爬取可以自动提取数据,并以一种让你可以轻松理解的格式显示出来。Web 爬取可以用于许多场景,但本教程将重点介绍它在金融市场中的应用。

如果你是一名狂热的投资者,每天获取收盘价可能是一件比较痛苦的事情,尤其是当你需要的信息需要查看多个网页才能找到的时候。我们将通过构建一个网络爬取器,从互联网上自动检索股票指数,简化数据提取。

准   备

我们将使用 Python 作为爬取语言,并使用一个简单而强大的库 BeautifulSoup。

  • 对于 Mac 用户而言,OS X 预装了 Python。打开终端,输入 python --version。你应该可以看到 Python 的版本是 2.7.x。

  • 对于 Windows 用户,请通过官方网站安装 Python。

接下来,我们需要使用 pip(一个 Python 包管理工具)获取 BeautifulSoup 库。

在终端输入:

easy_install pip pip install BeautifulSoup4

注意:如果你运行上述命令失败,试下在每一行前面加上 sudo。

基本概念

在一头扎进代码之前,让我们先了解下 HTML 的基本概念和一些爬取规则。

HTML 标签

如果你已经了解了 HTML 标签,大可以跳过这部分。

<!DOCTYPE html><html>    <head>    </head>    <body>        <h1> First Scraping </h1>        <p> Hello World </p>    <body></html>

这是 HTML 页面的基本语法。每个服务于网页里的一个块:

  1. <!DOCTYPE html>:HTML 文档必须以类型声明开始。

  2. HTML 文档包含在<html>和</htlm>之间。

  3. HTML 文档的 meta 和 script 声明位于<head>和</head>之间。

  4. HTML 的可视部分位于<body>和<body>标签之间。

  5. 标题的定义通过标签 <h1> 到 <h6> 。

  6. 段落使用 <p> 标签定义。

其他有用的标签还有超链接标签<a>、表格标签<table>、表格行标签<tr>、表格列标签<td>。

此外,HTML 标签有时带有 id 或 class 属性。id 属性为 HTML 标签指定一个惟一的 id,并且该值在 HTML 文档中必须是惟一的。class 属性用于为具有相同 class 的 HTML 标签定义相同的样式。我们可以使用这些 id 和 class 帮助定位我们想要的数据。

要了解关于 HTML 标签、 id 和 class 的信息,请查阅 W3Schools 教程。

爬取规则
  1. 你应该在爬取之前检查网站的条款和限制。请仔细阅读关于合法使用数据的声明。通常,你收集的数据不应用于商业目的。

  2. 用你的程序从网站请求数据时不要过激(也称为滥发),因为这可能会对网站造成破坏。确保你的程序以一种合理的方式运行(即表现得像个人)。每秒请求一个页面是很好的做法。

  3. 网站的布局可能会不时发生变化,所以一定要重新访问网站,并根据需要重写代码。

查看页面

作为例子,让我们看一个来自 Bloomberg Quote 网站的页面。

作为关注股票市场的人,我们希望从这个页面上获取指数名称(标准普尔 500)及其价格。首先,右键单击并打开浏览器检查器来查看网页。

尝试把鼠标悬停在价格上,你应该可以看到一个蓝框。单击它,就可以在浏览器控制台中选择相关的 HTML。

从中我们可以看到,价格位于多层 HTML 标签之中,即<div class='basic-quote'> → <div class='price-container up'> → <div class='price'>。

类似地,如果你将鼠标悬停并单击名称“S&P 500 Index”,就会看到它位于<div class='basic-quote'>和<h1 class='name'>中。

现在,我们已经借助 class 标签知道了数据的唯一位置。

进入代码

现在,我们已经知道我们想要的数据在哪,我们可以开始编写 Web 爬取器了。现在,打开编辑器。

首先,我们需要导入我们将要用到的库。

# 导入库import urllib2from bs4 import BeautifulSoup

接下来,声明一个保存页面 URL 的变量。

# 指定 URLquote_page = 'http://www.bloomberg.com/quote/SPX:IND'

然后,使用 Python urllib2 获取上述 URL 指向的 HTML 页面。

# 查询网站,将 HTML 返回给变量“page”page = urllib2.urlopen(quote_page)

最后,将页面解析成 BeautifulSoup 的格式,这样我们就可以使用 BeautifulSoup 处理它了。

# 取得 class 为 name 的 <div> 并获取它的值name_box = soup.find('h1’, attrs={'class’: 'name’})

现在,我们有一个包含页面 HTML 的变量 soup。从这里开始我们可以编写提取数据的代码了。

还记得我们需要的数据所独有的标签层次吗?BeautifulSoup 可以帮助我们进入这些层,并使用 find() 提取内容。在本例中,由于 HTML class 属性的名称在这个页面上是惟一的,所以我们可以简单地查询<div class='name'>。

# 取得 class 为 name 的 <div> 并获取它的值name_box = soup.find('h1’, attrs={'class’: 'name’})

在找到标签之后,我们就可以通过获取其 text 属性来获取数据。

name = name_box.text.strip() # strip() 用于移除字符串头尾的字符print name

类似地,我们也可以获取指数价格。

# 获取指数价格price_box = soup.find('div’, attrs={'class’:’price’})price = price_box.textprint price

运行程序,你应该可以看到它给出了标准普尔 500 指数的价格。

导出到 Excel CSV

现在我们要保存获取到的数据了。Excel 逗号分隔格式是一个不错的选择。它可以在 Excel 中打开,这样你就可以看到数据并轻松地处理它。

但是首先,我们必须导入 Python csv 模块和 datetime 模块来获取记录日期。将以下代码插入导入部分。

import csvfrom datetime import datetime

在代码底部添加将数据写入 CSV 文件的代码。

# 用追加方式打开一个 CSV 文件,这样原有的数据就不会被擦除with open('index.csv’, 'a’) as csv_file: writer = csv.writer(csv_file) writer.writerow([name, price, datetime.now()])

现在运行程序,你应该就可以导出到 index.csv 文件,然后你就可以用 Excel 打开,其中应该包含如下这行数据。

这样,你每天运行下这个程序就可以轻松获得标准普尔 500 指数的价格了,就不用在网站上翻来翻去了。

进一步探究(高级用法)
多指数

对你而言,爬取一个指数并不够用,对吗?我们可以尝试下同时提取多个指数。

首先,将 quote_page 改成 URL 数组。

quote_page = ['http://www.bloomberg.com/quote/SPX:IND', 'http://www.bloomberg.com/quote/CCMP:IND']

然后,将数据提取代码放入一个 for 循环,它会逐个处理数组中的 URL 并将所有数据以元组的形式保存到变量 data 中。

# 用于循环data = []for pg in quote_page:
# 查询网站,将 HTML 返回给变量“page”page = urllib2.urlopen(pg)
# 使用 BeautifulSoup 解析 HTML 页面,并将其保存在变量“soup”中soup = BeautifulSoup(page, 'html.parser’)
# 取得 class 为 name 的 <div> 并获取它的值name_box = soup.find('h1’, attrs={'class’: 'name’})name = name_box.text.strip() # strip() 用于移除字符串头尾的字符
# 获取指数价格price_box = soup.find('div’, attrs={'class’:’price’})price = price_box.text
# 将数据以元组的形式保存data.append((name, price))

修改数据保存部分,逐行保存数据,

# 用追加方式打开一个 CSV 文件,这样原有的数据就不会被擦除with open('index.csv’, 'a’) as csv_file:writer = csv.writer(csv_file)# for 循环for name, price in data:writer.writerow([name, price, datetime.now()])

运行这个程序,应该就可以同时提取两个指数了。

高级爬取技术

BeautifulSoup 非常简单,适合于小规模 Web 爬取。但是,如果你对更大规模的数据爬取感兴趣,就应该考虑下下面这些选项:

  1. Scrapy 是一个非常强大的 Python 爬取框架。

  2. 尝试在你的代码中集成一些公共 API。数据检索的效率会远远高于爬取网页。例如,看看 Facebook Graph API ,它可以帮助你获得 Facebook 网页上没有显示的隐藏数据。

  3. 当数据变大时,考虑使用类似 MySQL 这样的数据库后端来存储数据。

采用 DRY 方法

DRY 的意思是“不要重复你自己”,试着像这个人一样自动化你的日常任务。还可以考虑其他一些有趣的项目,比如跟踪 Facebook 上朋友的活动时间(当然要征得他们的同意),或者在论坛上列出一些话题,并尝试自然语言处理(这是目前人工智能的热门话题)!如果有任何问题,请在下面留言。

本文最初发布于 Medium.com ,经原作者授权由 InfoQ 中文站翻译并分享。原文链接:

https://medium.com/free-code-camp/how-to-scrape-websites-with-python-and-beautifulsoup-5946935d93fe

今日荐文

从木工活儿到户外大冒险,程序员有多斜杠?你根本想象不到丨二叉树视频


(0)

相关推荐