使用Beautiful Soup抓取网站内容

大家有时候可能会需要从网页上抓取一些信息,而抓取信息的过程有时会非常繁琐。如果数据量较大,则只能编程实现。今天我们来手把手地介绍一下怎样使用Beautiful Soup库编写一个最简单的爬虫。

本文作者为香菇肥牛,本文链接为https://qing.su/article/140.html, 转载需经过作者允许且需注明原文链接,谢谢。

我们先来介绍一下Beautiful Soup. 作为一个Python库,Beautiful Soup可以解析HTML和XML,生成树状结构,从而让我们方便地提取需要的信息。

本文我们将以58同城网为例,试图从58同城上获取杭州二手笔记本电脑的相关发布信息。比如,我们希望抓取http://hz.58.com/bijiben/0/pve_9292_1001_2000/这个链接里面所有的二手笔记本电脑发布信息。

1, 安装Python和Beautiful Soup

我们使用Miniconda安装Python3.

1
2
curl -OL https://repo.continuum.io/miniconda/Miniconda3-latest-Linux-x86_64.sh
bash Miniconda3-latest-Linux-x86_64.sh

Beautiful Soup可以通过PIP安装。我们接着安装PIP.

1
2
3
apt-get update && apt-get upgrade
apt-get install python3-pip
pip3 install --upgrade pip

最后,我们安装Beautiful Soup及其依赖环境。

1
pip3 install beautifulsoup4 tinydb urllib3 xlsxwriter lxml

2, 分析语段

我们需要了解目标,才能够有针对性地编写程序。我们查看上述网页的源代码,找到其中任意一条出售信息所在的语段块,比如下面这个。

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
<tr logr="p_1_56550766841365_34960650200492_0_sortid:587929385@ses:yellowclickrank@npos:6@pos:11" _pos="0" sortid="587929385">
    <td class="img">
        <a href="http://hz.58.com/bijibendiannao/34960650200492x.shtml?psid=109832630201214014018558150&entinfo=34960650200492_p&slot=-1"   target="_blank" >
            <img lazy_src="http://pic4.58cdn.com.cn/mobile/small/n_v2c2cd317544bb427785596780cee884bf.jpg" src="//img.58cdn.com.cn/n/images/list/noimg.gif" alt="九成华硕笔记本出售"/>
        </a>
    </td>
    <!-- Written by 香菇肥牛, Link to Post: https://qing.su/article/140.html -->
    <td class="t">
        <a href="http://hz.58.com/bijibendiannao/34960650200492x.shtml?psid=109832630201214014018558150&entinfo=34960650200492_p&slot=-1"   target="_blank" class="t" >   九成华硕笔记本出售</a>
        <span class="ico area"></span><span title="" class="ico ntu">[2图]</span><i class="clear"></i>
        本人出售个人二手笔记本,华硕笔记本有意者联系<i class="clear"></i>
        <span class="fl"><a class="c_666" href="/yuhang/bijiben/">余杭</a><span> - </span><a class="c_666" href="/qiaosi/bijiben/">乔司&nbsp;/ </a></span>
        <i class="clear"></i>
    </td>
    <td class="tc">
        <b class='pri'>1800</b>
    </td>
    <td class="tc"></td>
</tr>

按照HTML标签的承继关系,我们展现出了相应的缩进,这点在后面的语段分析和爬虫编写中非常重要。观察语段,我们发现这条出售信息的所有元素包含在一个tr标签中,分为四个td标签,类名分别为img, t, tc, tc. 我们需要精准地定位到每一条信息,那么重复出现的类名为tc的两个td标签就不适合用来定位,而只出现了一次的类名为img或者是t的td标签就比较适合用来定位。

类似地,我们也可以通过含有类名t的a标签 a href=”…” class=”t” 来定位。

可以使用Beautiful Soup中的find_all()方法来找到所有满足条件的标签。

1
results = soup.find_all("a", class_="t");

注意,由于class是Python保留字,所以我们用类名来定位的时候需要将”class”改成”class_.” 定位到了一条信息所在的语段块之后,我们就可以获取对应的信息了。假设我们需要获取下面这几个信息:出售的商品的编号,商品的标题,商品链接,图片链接,以及出售价格。

分析语段可以发现,商品链接直接包含在了我们用来定位的a标签里面,而商品编号也可以直接通过这个链接来截取。我们以records字典来储存需要获取的信息。如果find_all()后所有的结果储存在results列中,且用元素result遍历列,那么下面的方法提取了对应的商品链接和商品编号。

1
2
records['webLink'] = result['href'];
records['productID'] = result['href'][32:51];

商品的标题包含在了这个a标签的封装之内,是标签a封装的text. 对于标签封装的text, 可以通过”.string”属性来提取。

1
records['productTitle'] = result.string.strip();

我们再来看价格。可以发现,价格在b标签的封装之内,问题是这个b标签距离我们定位用的a标签有点远。再仔细研究标签之间的层级关系,我们发现,这个b标签的上级标签”td class = ‘tc'”是和我们定位用的a标签的上级标签”td class = ‘t'”并列的。这就给我们提供了途径tag “a” —> tag “td” —> next tag “td” —> tag “b”.

从一个标签转移到父级标签,需要使用”.parent”属性。而转移到并列的下一个标签,需要使用”.next_sibling”属性。通常情况下,需要两个”.next_sibling”联用。因此,配合刚才说过的.string, 我们可以提取商品价格了。

1
records['productPrice'] = result.parent.next_sibling.next_sibling.b.string.strip();

同样的,图片链接的上上级标签是和我们定位用的a标签的上级标签并列的,且在其之前出现。我们使用”.previous_sibling”属性将操作对象转移至上一个并列标签,通常需要两个”.previous_sibling”联用。

1
records['imgLink'] = result.parent.previous_sibling.previous_sibling.a.img['lazy_src'];

这样,我们获取了全部需要的信息,可以开始写爬虫了。

3, 翻页

我们再考虑翻页的问题。

上面那条链接里面一共有30条左右的商品出售,如果这个爬虫只能爬取一页的信息,那么对于我们是意义不大的。我们需要它爬取所有页面的信息。因此,让Beautiful Soup正确地找到下一页的地址并翻页显得尤为重要。

审查元素后可以发现,翻页部分的HTML代码是这样的:

1
<a class="next" href="/bijiben/0/pn2/pve_9292_1001_2000/"><span>下一页</span></a>

于是,我们可以按照上一节的方法,用Beautiful Soup定位class=”next”的”a”标签,读取href字段的内容,从而找到下一页的链接。

1
nextLink = 'http://hz.58.com/' + soup.find("a", class_="next")['href'];

其中,find()方法将返回Beautiful Soup找到的第一个对象.

然后将nextLink产生的新链接提交给Beautiful Soup进行下一页的爬取,并进行分析。

4, 其他

至此,关键部分的编写已经完成。我们仅需将这些内容封装在函数中,并编写主函数即可。爬取的结果这里将写入xlsx文件,方便处理。

全部源代码如下所示:

(分号是个人习惯,不喜勿喷……)

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
from bs4 import BeautifulSoup
import datetime
from tinydb import TinyDB, Query
import urllib3
import xlsxwriter

urllib3.disable_warnings(urllib3.exceptions.InsecureRequestWarning);


url = 'http://hz.58.com/bijiben/0/?minprice=5000_5500';
url2 = 'https://qing.su/article/140.html';
total_added = 0;

def make_soup(url):
    http = urllib3.PoolManager();
    r = http.request("GET", url);
    return BeautifulSoup(r.data,'lxml'); #使用BeautifulSoup与lxml Parser解析

def main(url):
    global total_added;
    db = TinyDB("db.json");

    while url:
        print ("Page: ", url);
        soup = soup_process(url, db);
        nextLink = soup.find("a", class_="next");

        url = False;
        if (nextLink):
            url = 'http://hz.58.com/' + nextLink['href'];

    print ("Items indexed: ",total_added);

    make_excel(db);

def soup_process(url, db):
    global total_added;

    soup = make_soup(url);
    results = soup.find_all("a", class_="t");

    for result in results:
        try:
            records = {
                'productID': result['href'][32:51],
                'productPrice': result.parent.next_sibling.next_sibling.b.string.strip(),
                'webLink': result['href'],
                'imgLink': result.parent.previous_sibling.previous_sibling.a.img['lazy_src'],
                'productTitle': result.string.strip()
            }

            Result = Query();
            s1 = db.search(Result.productID == records["productID"]);

            if not s1:
                total_added += 1;
                print ("Indexing item ... ", total_added);
                db.insert(records);

        except (AttributeError, KeyError) as ex:
            pass

    return soup;

def make_excel(db):
    Headlines = ["ProductID", "Price", "Link", "Image Link", "Title"];
    row = 0;

    workbook = xlsxwriter.Workbook('hz58.xlsx');
    worksheet = workbook.add_worksheet();

    worksheet.set_column(0,0, 20);
    worksheet.set_column(1,1, 7);
    worksheet.set_column(2,2, 10);
    worksheet.set_column(3,3, 15);
    worksheet.set_column(4,4, 60);

    for col, title in enumerate(Headlines):
        worksheet.write(row, col, title);

    for item in db.all():
        row += 1;
        worksheet.write(row, 0, item['productID'] );
        worksheet.write(row, 1, item['productPrice'] );
        worksheet.write_url(row, 2, item['webLink'], string='Link');
        worksheet.write_url(row, 3, item['imgLink'], string='Picture Link');
        worksheet.write(row, 4, item['productTitle'] );

    workbook.close();

main(url);

得到的Excel文件如下图所示。

 

 

综上,我们采用Beautiful Soup, 抓取了58同城网二手电脑的部分信息。文中提到的方法可以被轻松地用来编写一系列的爬虫,实现获取网页资源。如果您有什么问题,欢迎在这里留言,我将尽力为您解答。

本文作者为香菇肥牛,本文链接为https://qing.su/article/140.html, 转载需经过作者同意且需要注明原文链接。谢谢!

Reference:

1. Beautiful Soup Documentation. https://www.crummy.com/software/BeautifulSoup/bs4/doc/

2. Linode Library. https://www.linode.com/docs/applications/big-data/how-to-scrape-a-website-with-beautiful-soup/

 

1 Response

  1. 浑身难受说道:

    好厉害

发表评论

电子邮件地址不会被公开。 必填项已用*标注