如何使用Python和BeautifulSoup爬取网站

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<tag>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></html>之间。
  3. HTML文档的meta和script声明位于<head></head>之间。
  4. HTML的可视部分位于<body></body>标签之间。
  5. 标题的定义通过标签<h1><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idclass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idclass帮助定位我们想要的数据。

要了解关于HTML标签idclass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"><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 urllib2
from bs4 import BeautifulSoup

接下来,声明一个保存页面URL的变量。

# 指定URL
quote_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。

# 使用BeautifulSoup解析HTML页面,并将其保存在变量“soup”中
soup = BeautifulSoup(page, ‘html.parser’)

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.text
print 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 csv
from 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: How to scrape websites with Python and BeautifulSoup

  • 发表于:
  • 本文为 InfoQ 中文站特供稿件
  • 首发地址https://www.infoq.cn/article/Bri9YGvPNX2vMsCk5l2z

扫码关注云+社区

领取腾讯云代金券

年度创作总结 领取年终奖励