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：
<!DOCTYPE html>：HTML文档必须以类型声明开始。- HTML文档包含在
<html>和</html>之间。 - HTML文档的meta和script声明位于
<head>和</head>之间。 - HTML的可视部分位于
<body>和</body>标签之间。 - 标题的定义通过标签
<h1>到<h6>。 - 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
- 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。
- 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。
- 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 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：
- Scrapy是一个非常强大的Python爬取框架。
- 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。
- 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。
- 发表于:
- 本文为 InfoQ 中文站特供稿件
- 首发地址：https://www.infoq.cn/article/Bri9YGvPNX2vMsCk5l2z
- 如有侵权，请联系 cloudcommunity@tencent.com 删除。
相关快讯
扫码
添加站长 进交流群
领取专属 10元无门槛券
私享最新 技术干货
腾讯云开发者
