我正在尝试学习网页抓取和python(以及编程),并找到了BeautifulSoup库,它似乎提供了很多可能性。
我正在尝试找出如何最好地从此页面中提取相关信息:
http://www.aidn.org.au/Industry-ViewCompany.asp?CID=3113
我可以详细了解这个,但基本上是公司名称,关于它的描述,联系方式,各种公司详情/统计e.t.c。
在此阶段,查看如何干净地隔离这些数据并将其删除,以便将所有数据全部放在CSV或以后的内容中。
我很困惑如何使用BS来获取不同的表数据。有很多tr和td标签,不知道如何锚定任何独特的东西。
我提出的最好的是以下代码作为开始:
from bs4 import BeautifulSoup
import urllib2
html = urllib2.urlopen("http://www.aidn.org.au/Industry-ViewCompany.asp?CID=3113")
soup = BeautifulSoup(html)
soupie = soup.prettify()
print soupie
然后从那里使用regex e.t.c.从清理过的文本中提取数据。
但是使用BS树必须有更好的方法吗?或者这个网站的格式是BS不会提供更多的帮助?
没有寻找完整的解决方案,因为这是一个很大的问题,我想学习,但任何代码片段让我在路上将非常感激。
更新
感谢下面的@ZeroPiraeus,我开始明白如何解析表格。以下是他的代码的输出:
=== Personnel ===
bodytext Ms Gail Morgan CEO
bodytext Phone: +61.3. 9464 4455 Fax: +61.3. 9464 4422
bodytext Lisa Mayoh Sales Manager
bodytext Phone: +61.3. 9464 4455 Fax: +61.3. 9464 4422 Email: bob@aerospacematerials.com.au
=== Company Details ===
bodytext ACN: 007 350 807 ABN: 71 007 350 807 Australian Owned Annual Turnover: $5M - $10M Number of Employees: 6-10 QA: ISO9001-2008, AS9120B, Export Percentage: 5 % Industry Categories: AerospaceLand (Vehicles, etc)LogisticsMarineProcurement Company Email: lisa@aerospacematerials.com.au Company Website: http://www.aerospacematerials.com.au Office: 2/6 Ovata Drive Tullamarine VIC 3043 Post: PO Box 188 TullamarineVIC 3043 Phone: +61.3. 9464 4455 Fax: +61.3. 9464 4422
paraheading ACN:
bodytext 007 350 807
paraheading ABN:
bodytext 71 007 350 807
paraheading
bodytext Australian Owned
paraheading Annual Turnover:
bodytext $5M - $10M
paraheading Number of Employees:
bodytext 6-10
paraheading QA:
bodytext ISO9001-2008, AS9120B,
paraheading Export Percentage:
bodytext 5 %
paraheading Industry Categories:
bodytext AerospaceLand (Vehicles, etc)LogisticsMarineProcurement
paraheading Company Email:
bodytext lisa@aerospacematerials.com.au
paraheading Company Website:
bodytext http://www.aerospacematerials.com.au
paraheading Office:
bodytext 2/6 Ovata Drive Tullamarine VIC 3043
paraheading Post:
bodytext PO Box 188 TullamarineVIC 3043
paraheading Phone:
bodytext +61.3. 9464 4455
paraheading Fax:
bodytext +61.3. 9464 4422
我的下一个问题是,将这些数据放入适合导入电子表格的CSV的最佳方法是什么?例如,有'ABN''ACN''公司网站'等e.t.c.作为列标题,然后将相应的数据作为行信息。
感谢您的帮助。
答案 0 :(得分:3)
您的代码将完全取决于您想要的内容以及您希望如何存储它,但此代码段应该让您了解如何从页面中获取相关信息:
import requests
from bs4 import BeautifulSoup
url = "http://www.aidn.org.au/Industry-ViewCompany.asp?CID=3113"
html = requests.get(url).text
soup = BeautifulSoup(html)
for feature_heading in soup.find_all("td", {"class": "Feature-Heading"}):
print "\n=== %s ===" % feature_heading.text
details = feature_heading.find_next_sibling("td")
for item in details.find_all("td", {"class": ["bodytext", "paraheading"]}):
print("\t".join([item["class"][0], " ".join(item.text.split())]))
我发现requests
比urllib2
更适合工作,但当然这取决于你。
修改强>
在回答您的后续问题时,您可以使用以下内容从已删除的数据中编写CSV文件:
import csv
import requests
from bs4 import BeautifulSoup
columns = ["ACN", "ABN", "Annual Turnover", "QA"]
urls = ["http://www.aidn.org.au/Industry-ViewCompany.asp?CID=3113", ] # ... etc.
with open("data.csv", "w") as csv_file:
writer = csv.DictWriter(csv_file, columns)
writer.writeheader()
for url in urls:
soup = BeautifulSoup(requests.get(url).text)
row = {}
for heading in soup.find_all("td", {"class": "paraheading"}):
key = " ".join(heading.text.split()).rstrip(":")
if key in columns:
next_td = heading.find_next_sibling("td", {"class": "bodytext"})
value = " ".join(next_td.text.split())
row[key] = value
writer.writerow(row)
答案 1 :(得分:0)
我以前曾经走过这条路。我使用的html页面总是与表格格式相同,并且是公司内部的。我们确保客户知道如果他们更改了页面,很可能会破坏编程。根据这个规定,能够确定从tr和td的列表中的索引值所取得的所有内容。它远远没有理想的情况,即他们无法提供或不提供XML数据,但现在已经使用了近一年。如果那里有人知道更好的答案,我也想知道。那是我第一次也是唯一一次使用Beautiful Soup,从来没有需要它,但它的效果非常好。