Урок за изрязване на уеб в Python - Как да изстъргвате данни от уебсайт

Python е красив език за кодиране. Той има страхотна екосистема на пакета, има много по-малко шум, отколкото ще намерите на други езици, и е изключително лесен за използване.

Python се използва за редица неща, от анализ на данни до сървърно програмиране. И един вълнуващ случай на използване на Python е Web Scraping.

В тази статия ще разгледаме как да използваме Python за изстъргване в мрежата. Ще продължим да работим и с пълен практически наръчник в класната стая.

Забележка: Ще изстъргваме уеб страница, която хоствам, за да можем безопасно да се научим да изстъргваме на нея. Много компании не позволяват изстъргване на уебсайтовете си, така че това е добър начин да се научите. Просто не забравяйте да проверите, преди да изстържете.

Въведение в класната стая за уеб изстъргване

Ако искате да кодирате, можете да използвате тази безплатна класна стая codedamnкойто се състои от множество лаборатории, които да ви помогнат да научите изскачането на уеб. Това ще бъде практическо практическо упражнение за обучение на codedamn, подобно на начина, по който научавате на freeCodeCamp.

В тази класна стая ще използвате тази страница, за да тествате изстъргването в мрежата: //codedamn-classrooms.github.io/webscraper-python-codedamn-classroom-website/

Тази класна стая се състои от 7 лаборатории и вие ще решите лаборатория във всяка част от тази публикация в блога. Ще използваме Python 3.8 + BeautifulSoup 4 за изстъргване в мрежата.

Част 1: Зареждане на уеб страници със „заявка“

Това е връзката към тази лаборатория.

В requestsмодул ви позволява да изпращате искания HTTP с помощта на Python.

HTTP заявката връща обект за отговор с всички данни за отговор (съдържание, кодиране, състояние и т.н.). Един пример за получаване на HTML на страница:

import requests res = requests.get('//codedamn.com') print(res.text) print(res.status_code)

Преминаващи изисквания:

  • Вземете съдържанието на следния URL адрес с помощта на requestsмодул: //codedamn-classrooms.github.io/webscraper-python-codedamn-classroom-website/
  • Съхранявайте текстовия отговор (както е показано по-горе) в променлива, наречена txt
  • Съхранявайте кода на състоянието (както е показано по-горе) в променлива, наречена status
  • Функция за печат txtи statusизползванеprint

След като разберете какво се случва в горния код, е доста лесно да преминете тази лаборатория. Ето решението на тази лаборатория:

import requests # Make a request to //codedamn-classrooms.github.io/webscraper-python-codedamn-classroom-website/ # Store the result in 'res' variable res = requests.get( '//codedamn-classrooms.github.io/webscraper-python-codedamn-classroom-website/') txt = res.text status = res.status_code print(txt, status) # print the result

Нека да преминем към част 2 сега, където ще изградите повече върху съществуващия си код.

Част 2: Извличане на заглавие с BeautifulSoup

Това е връзката към тази лаборатория.

В цялата тази класна стая ще използвате библиотека, наречена BeautifulSoupв Python, за да правите изстъргване в мрежата. Някои функции, които правят BeautifulSoup мощно решение са:

  1. Той предоставя много прости методи и Pythonic идиоми за навигация, търсене и модифициране на DOM дърво. Не е необходим много код, за да напишете приложение
  2. Beautiful Soup се намира на върха на популярните анализатори на Python като lxml и html5lib, което ви позволява да изпробвате различни стратегии за синтактичен анализ или скорост на търговия за гъвкавост.

По принцип BeautifulSoup може да анализира всичко в мрежата, което му дадете.

Ето един прост пример за BeautifulSoup:

from bs4 import BeautifulSoup page = requests.get("//codedamn.com") soup = BeautifulSoup(page.content, 'html.parser') title = soup.title.text # gets you the text of the (...)

Преминаващи изисквания:

  • Използвайте requestsпакета, за да получите заглавието на URL адреса: //codedamn-classrooms.github.io/webscraper-python-codedamn-classroom-website/
  • Използвайте BeautifulSoup, за да съхраните заглавието на тази страница в променлива, наречена page_title

Разглеждайки горния пример, можете да видите, след като page.contentзахраним вътрешната страна на BeautifulSoup, можете да започнете да работите с анализираното DOM дърво по много питоничен начин. Решението за лабораторията ще бъде:

import requests from bs4 import BeautifulSoup # Make a request to //codedamn-classrooms.github.io/webscraper-python-codedamn-classroom-website/ page = requests.get( "//codedamn-classrooms.github.io/webscraper-python-codedamn-classroom-website/") soup = BeautifulSoup(page.content, 'html.parser') # Extract title of page page_title = soup.title.text # print the result print(page_title)

Това беше и проста лаборатория, в която трябваше да сменим URL адреса и да отпечатаме заглавието на страницата. Този код ще премине лабораторията.

Част 3: Тяло и глава на супа

Това е връзката към тази лаборатория.

В последната лаборатория видяхте как можете да извлечете titleот страницата. Също толкова лесно е да извлечете и определени раздели.

Също така видяхте, че трябва да се обадите .textна тях, за да получите низа, но можете да ги отпечатате, без да се обаждате .text, и това ще ви даде пълната маркировка. Опитайте да стартирате примера по-долу:

import requests from bs4 import BeautifulSoup # Make a request page = requests.get( "//codedamn.com") soup = BeautifulSoup(page.content, 'html.parser') # Extract title of page page_title = soup.title.text # Extract body of page page_body = soup.body # Extract head of page page_head = soup.head # print the result print(page_body, page_head)

Нека да разгледаме как можете да извлечете bodyи headраздели от вашите страници.

Преминаващи изисквания:

  • Повторете експеримента с URL: //codedamn-classrooms.github.io/webscraper-python-codedamn-classroom-website/
  • Съхранявайте заглавието на страницата (без да извиквате .text) на URL в page_title
  • Съхранявайте съдържанието на тялото (без да извиквате .text) на URL в page_body
  • Съхранявайте съдържанието на главата (без да извиквате .text) на URL в page_head

Когато се опитате да отпечатате page_bodyили page_headще видите, че те се отпечатват като strings. Но в действителност, когато print(type page_body)видите, това не е низ, но работи добре.

Решението на този пример би било просто, въз основа на горния код:

import requests from bs4 import BeautifulSoup # Make a request page = requests.get( "//codedamn-classrooms.github.io/webscraper-python-codedamn-classroom-website/") soup = BeautifulSoup(page.content, 'html.parser') # Extract title of page page_title = soup.title # Extract body of page page_body = soup.body # Extract head of page page_head = soup.head # print the result print(page_title, page_head)

Част 4: изберете с BeautifulSoup

Това е връзката към тази лаборатория.

След като проучихте някои части на BeautifulSoup, нека разгледаме как можете да изберете DOM елементи с BeautifulSoup методите.

Once you have the soup variable (like previous labs), you can work with .select on it which is a CSS selector inside BeautifulSoup. That is, you can reach down the DOM tree just like how you will select elements with CSS. Let's look at an example:

import requests from bs4 import BeautifulSoup # Make a request page = requests.get( "//codedamn-classrooms.github.io/webscraper-python-codedamn-classroom-website/") soup = BeautifulSoup(page.content, 'html.parser') # Extract first 

(...)

text first_h1 = soup.select('h1')[0].text

.select returns a Python list of all the elements. This is why you selected only the first element here with the [0] index.

Passing requirements:

  • Create a variable all_h1_tags. Set it to empty list.
  • Use .select to select all the

    tags and store the text of those h1 inside all_h1_tags list.

  • Create a variable seventh_p_text and store the text of the 7th p element (index 6) inside.

The solution for this lab is:

import requests from bs4 import BeautifulSoup # Make a request page = requests.get( "//codedamn-classrooms.github.io/webscraper-python-codedamn-classroom-website/") soup = BeautifulSoup(page.content, 'html.parser') # Create all_h1_tags as empty list all_h1_tags = [] # Set all_h1_tags to all h1 tags of the soup for element in soup.select('h1'): all_h1_tags.append(element.text) # Create seventh_p_text and set it to 7th p element text of the page seventh_p_text = soup.select('p')[6].text print(all_h1_tags, seventh_p_text) 

Let's keep going.

Part 5: Top items being scraped right now

This is the link to this lab.

Let's go ahead and extract the top items scraped from the URL: //codedamn-classrooms.github.io/webscraper-python-codedamn-classroom-website/

If you open this page in a new tab, you’ll see some top items. In this lab, your task is to scrape out their names and store them in a list called top_items. You will also extract out the reviews for these items as well.

To pass this challenge, take care of the following things:

  • Use .select to extract the titles. (Hint: one selector for product titles could be a.title)
  • Use .select to extract the review count label for those product titles. (Hint: one selector for reviews could be div.ratings) Note: this is a complete label (i.e. 2 reviews) and not just a number.
  • Create a new dictionary in the format:
info = { "title": 'Asus AsusPro Adv... '.strip(), "review": '2 reviews\n\n\n'.strip() }
  • Note that you are using the strip method to remove any extra newlines/whitespaces you might have in the output. This is important to pass this lab.
  • Append this dictionary in a list called top_items
  • Print this list at the end

There are quite a few tasks to be done in this challenge. Let's take a look at the solution first and understand what is happening:

import requests from bs4 import BeautifulSoup # Make a request page = requests.get( "//codedamn-classrooms.github.io/webscraper-python-codedamn-classroom-website/") soup = BeautifulSoup(page.content, 'html.parser') # Create top_items as empty list top_items = [] # Extract and store in top_items according to instructions on the left products = soup.select('div.thumbnail') for elem in products: title = elem.select('h4 > a.title')[0].text review_label = elem.select('div.ratings')[0].text info = { "title": title.strip(), "review": review_label.strip() } top_items.append(info) print(top_items)

Note that this is only one of the solutions. You can attempt this in a different way too. In this solution:

  1. First of all you select all the div.thumbnail elements which gives you a list of individual products
  2. Then you iterate over them
  3. Because select allows you to chain over itself, you can use select again to get the title.
  4. Note that because you're running inside a loop for div.thumbnail already, the h4 > a.title selector would only give you one result, inside a list. You select that list's 0th element and extract out the text.
  5. Finally you strip any extra whitespace and append it to your list.

Straightforward right?

Part 6: Extracting Links

This is the link to this lab.

So far you have seen how you can extract the text, or rather innerText of elements. Let's now see how you can extract attributes by extracting links from the page.

Here’s an example of how to extract out all the image information from the page:

import requests from bs4 import BeautifulSoup # Make a request page = requests.get( "//codedamn-classrooms.github.io/webscraper-python-codedamn-classroom-website/") soup = BeautifulSoup(page.content, 'html.parser') # Create top_items as empty list image_data = [] # Extract and store in top_items according to instructions on the left images = soup.select('img') for image in images: src = image.get('src') alt = image.get('alt') image_data.append({"src": src, "alt": alt}) print(image_data)

In this lab, your task is to extract the href attribute of links with their text as well. Make sure of the following things:

  • You have to create a list called all_links
  • In this list, store all link dict information. It should be in the following format:
info = { "href": "", "text": "" }
  • Make sure your text is stripped of any whitespace
  • Make sure you check if your .text is None before you call .strip() on it.
  • Store all these dicts in the all_links
  • Print this list at the end

You are extracting the attribute values just like you extract values from a dict, using the get function. Let's take a look at the solution for this lab:

import requests from bs4 import BeautifulSoup # Make a request page = requests.get( "//codedamn-classrooms.github.io/webscraper-python-codedamn-classroom-website/") soup = BeautifulSoup(page.content, 'html.parser') # Create top_items as empty list all_links = [] # Extract and store in top_items according to instructions on the left links = soup.select('a') for ahref in links: text = ahref.text text = text.strip() if text is not None else '' href = ahref.get('href') href = href.strip() if href is not None else '' all_links.append({"href": href, "text": text}) print(all_links) 

Here, you extract the href attribute just like you did in the image case. The only thing you're doing is also checking if it is None. We want to set it to empty string, otherwise we want to strip the whitespace.

Part 7: Generating CSV from data

This is the link to this lab.

Finally, let's understand how you can generate CSV from a set of data. You will create a CSV with the following headings:

  1. Product Name
  2. Price
  3. Description
  4. Reviews
  5. Product Image

These products are located in the div.thumbnail. The CSV boilerplate is given below:

import requests from bs4 import BeautifulSoup import csv # Make a request page = requests.get( "//codedamn-classrooms.github.io/webscraper-python-codedamn-classroom-website/") soup = BeautifulSoup(page.content, 'html.parser') all_products = [] products = soup.select('div.thumbnail') for product in products: # TODO: Work print("Work on product here") keys = all_products[0].keys() with open('products.csv', 'w',) as output_file: dict_writer = csv.DictWriter(output_file, keys) dict_writer.writeheader() dict_writer.writerows(all_products) 

You have to extract data from the website and generate this CSV for the three products.

Passing Requirements:

  • Product Name is the whitespace trimmed version of the name of the item (example - Asus AsusPro Adv..)
  • Price is the whitespace trimmed but full price label of the product (example - $1101.83)
  • The description is the whitespace trimmed version of the product description (example - Asus AsusPro Advanced BU401LA-FA271G Dark Grey, 14", Core i5-4210U, 4GB, 128GB SSD, Win7 Pro)
  • Reviews are the whitespace trimmed version of the product (example - 7 reviews)
  • Product image is the URL (src attribute) of the image for a product (example - /webscraper-python-codedamn-classroom-website/cart2.png)
  • The name of the CSV file should be products.csv and should be stored in the same directory as your script.py file

Let's see the solution to this lab:

import requests from bs4 import BeautifulSoup import csv # Make a request page = requests.get( "//codedamn-classrooms.github.io/webscraper-python-codedamn-classroom-website/") soup = BeautifulSoup(page.content, 'html.parser') # Create top_items as empty list all_products = [] # Extract and store in top_items according to instructions on the left products = soup.select('div.thumbnail') for product in products: name = product.select('h4 > a')[0].text.strip() description = product.select('p.description')[0].text.strip() price = product.select('h4.price')[0].text.strip() reviews = product.select('div.ratings')[0].text.strip() image = product.select('img')[0].get('src') all_products.append({ "name": name, "description": description, "price": price, "reviews": reviews, "image": image }) keys = all_products[0].keys() with open('products.csv', 'w',) as output_file: dict_writer = csv.DictWriter(output_file, keys) dict_writer.writeheader() dict_writer.writerows(all_products) 

The for block is the most interesting here. You extract all the elements and attributes from what you've learned so far in all the labs.

When you run this code, you end up with a nice CSV file. And that's about all the basics of web scraping with BeautifulSoup!

Conclusion

I hope this interactive classroom from codedamn helped you understand the basics of web scraping with Python.

If you liked this classroom and this blog, tell me about it on my twitter and Instagram. Would love to hear feedback!