Verkon kaavinta Python-opetusohjelma - Kuinka kaapata tietoja verkkosivustolta

Python on kaunis kieli koodaamiseen. Siinä on loistava pakettiekosysteemi, melua on paljon vähemmän kuin muilla kielillä, ja sitä on erittäin helppo käyttää.

Pythonia käytetään moniin asioihin, tietojen analysoinnista palvelimen ohjelmointiin. Ja yksi mielenkiintoinen Pythonin käyttötapaus on Web Scraping.

Tässä artikkelissa käsitellään sitä, miten Pythonia käytetään verkon kaapimiseen. Työskentelemme läpi myös täydellisen käytännön luokkaoppaan.

Huomaa: Raapamme isännöimäni verkkosivun, jotta voimme turvallisesti oppia sen kaappaamisen. Monet yritykset eivät salli kaavinta verkkosivuillaan, joten tämä on hyvä tapa oppia. Varmista vain, että tarkistat ennen kaapimista.

Johdanto Web Scraping -luokkahuoneeseen

Jos haluat koodata mukana, voit käyttää tätä ilmaista koodatun luokan luokkaajoka koostuu useista laboratorioista, joiden avulla voit oppia web-kaavinta. Tämä on käytännönläheinen käytännön oppimisharjoittelu koodedamnilla, samalla tavalla kuin opit freeCodeCampilla.

Tässä luokkahuoneessa testaat verkkosivuja tällä sivulla: //codedamn-classrooms.github.io/webscraper-python-codedamn-classroom-website/

Tämä luokkahuone koostuu 7 laboratoriosta, ja ratkaiset laboratorion jokaisessa tämän blogiviestin osassa. Käytämme Python 3.8 + BeautifulSoup 4: tä web-kaavintaan.

Osa 1: Verkkosivujen lataaminen pyynnöllä

Tämä on linkki tähän laboratorioon.

requestsModuulin avulla voit lähettää HTTP-pyyntöjä Python.

HTTP-pyyntö palauttaa vastausobjektin, joka sisältää kaikki vastaustiedot (sisältö, koodaus, tila ja niin edelleen). Yksi esimerkki sivun HTML-koodin saamisesta:

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

Vaatimukset:

  • Hanki seuraavan URL-osoitteen sisältö requestsmoduulin avulla: //codedamn-classrooms.github.io/webscraper-python-codedamn-classroom-website/
  • Tallenna tekstivaste (kuten yllä on esitetty) muuttujaan nimeltä txt
  • Tallenna tilakoodi (kuten yllä on esitetty) muuttujaan nimeltä status
  • Tulosta txtja statuskäytä printtoimintoa

Kun ymmärrät mitä yllä olevassa koodissa tapahtuu, on melko helppo ohittaa tämä laboratorio. Tässä on ratkaisu tähän laboratorioon:

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

Siirrytään nyt osaan 2, jossa rakennat enemmän nykyisen koodisi päälle.

Osa 2: Otsikon purkaminen BeautifulSoupilla

Tämä on linkki tähän laboratorioon.

Tässä koko luokkahuoneessa käytät BeautifulSoupPythonissa kutsuttua kirjastoa web-kaavintaan. Jotkut ominaisuudet, jotka tekevät BeautifulSoupista tehokkaan ratkaisun, ovat:

  1. Se tarjoaa paljon yksinkertaisia ​​menetelmiä ja Pythonin idiomeja DOM-puun navigointiin, etsimiseen ja muokkaamiseen. Sovelluksen kirjoittaminen ei vie paljon koodia
  2. Kaunis keitto istuu suosittujen Python-jäsentimien, kuten lxml ja html5lib, päällä, jolloin voit kokeilla erilaisia ​​jäsentämisstrategioita tai kaupankäyntinopeutta joustavuuden lisäämiseksi.

Pohjimmiltaan BeautifulSoup voi jäsentää mitä tahansa verkossa antamaasi.

Tässä on yksinkertainen esimerkki BeautifulSoupista:

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 (...)

Vaatimukset:

  • Käytä requestspakettia saadaksesi URL-osoitteen otsikon: //codedamn-classrooms.github.io/webscraper-python-codedamn-classroom-website/
  • Käytä BeautifulSoupia tämän sivun otsikon tallentamiseen muuttujaan nimeltä page_title

Yllä olevaa esimerkkiä tarkasteltaessa näet, että kun syötämme page.contentsisäpuolella olevaa BeautifulSoupia, voit aloittaa työskentelyn jäsennetyn DOM-puun kanssa hyvin pythonisella tavalla. Laboratorion ratkaisu olisi:

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)

Tämä oli myös yksinkertainen laboratorio, jossa meidän piti muuttaa URL-osoitetta ja tulostaa sivun otsikko. Tämä koodi läpäisi laboratorion.

Osa 3: Keitetty runko ja pää

Tämä on linkki tähän laboratorioon.

Viime laboratoriossa näit kuinka voit purkaa titlesivun. Tiettyjen osien poimiminen on yhtä helppoa.

Näit myös, että sinun täytyy soittaa .textnäille, jotta saat merkkijonon, mutta voit tulostaa ne myös soittamatta .text, ja se antaa sinulle täydellisen merkinnän. Yritä suorittaa seuraava esimerkki:

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)

Katsotaanpa, miten voit purkaa sivusi bodyja headosiot niistä.

Vaatimukset:

  • Toista kokeilu URL-osoitteella: //codedamn-classrooms.github.io/webscraper-python-codedamn-classroom-website/
  • Tallenna URL-osoitteen sivun otsikko (ilman .text-kutsua) page_title
  • Tallenna URL-osoitteen runkosisältö (ilman .text-kutsua) page_body
  • Tallenna URL-osoitteen pääsisältö (ilman .text-kutsua) page_head

Kun yrität tulostaa page_bodytai page_headnäet, että ne tulostetaan muodossa strings. Mutta todellisuudessa, kun print(type page_body)huomaat, se ei ole merkkijono, mutta se toimii hyvin.

Tämän esimerkin ratkaisu olisi yksinkertainen yllä olevan koodin perusteella:

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)

Osa 4: Valitse BeautifulSoupilla

Tämä on linkki tähän laboratorioon.

Nyt kun olet tutustunut joihinkin BeautifulSoupin osiin, katsotaanpa, kuinka voit valita DOM-elementit BeautifulSoup-menetelmillä.

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.

Jos pidit tästä luokkahuoneesta ja tästä blogista, kerro siitä minulle Twitterissä ja Instagramissa. Haluaisin kuulla palautetta!