Python 网页抓取 - 数据提取

分析网页意味着了解其结构。现在，问题来了，为什么它对于网络抓取很重要？在本章中，让我们详细了解这一点。

网页分析

网页分析很重要，因为如果不进行分析，我们就无法知道提取后将以哪种形式从该网页（结构化或非结构化）接收数据。我们可以通过以下方式进行网页分析 -

查看页面源代码

这是一种通过检查源代码来了解网页的结构的方法。要实现此目的，我们需要右键单击页面，然后必须选择“查看页面源”选项。然后，我们将从该网页中以 HTML 的形式获取我们感兴趣的数据。但主要担心的是空格和格式，这对我们来说很难格式化。

通过单击检查元素选项检查页面源

这是分析网页的另一种方法。但不同的是，它会解决网页源代码中的格式和空格问题。您可以通过右键单击然后从菜单中选择“检查”或“检查元素”选项来实现此目的。它将提供有关该网页的特定区域或元素的信息。

从网页提取数据的不同方法

以下方法主要用于从网页中提取数据 -

正则表达式

它们是嵌入 Python 中的高度专业化的编程语言。我们可以通过Python的re模块来使用它。它也称为 RE 或正则表达式或正则表达式模式。借助正则表达式，我们可以为我们想要从数据中匹配的可能的字符串集指定一些规则。

如果您想了解更多有关正则表达式的一般信息，请访问链接https://www.tutorialspoint.com/automata_theory/regular_expressions.htm，如果您想了解更多有关Python中的re模块或正则表达式的信息，您可以关注链接 https://www.tutorialspoint.com/python/python_reg_expressions.htm。

例子

在下面的示例中，我们将在正则表达式的帮助下匹配 <td> 的内容后，从http://example.webscraping.com中抓取有关印度的数据。

import re
import urllib.request
response =
   urllib.request.urlopen('http://example.webscraping.com/places/default/view/India-102')
html = response.read()
text = html.decode()
re.findall('<td class="w2p_fw">(.*?)</td>',text)

输出

相应的输出将如下所示 -

[
   '<img src="/places/static/images/flags/in.png" />',
   '3,287,590 square kilometres',
   '1,173,108,018',
   'IN',
   'India',
   'New Delhi',
   '<a href="/places/default/continent/AS">AS</a>',
   '.in',
   'INR',
   'Rupee',
   '91',
   '######',
   '^(\\d{6})$',
   'enIN,hi,bn,te,mr,ta,ur,gu,kn,ml,or,pa,as,bh,sat,ks,ne,sd,kok,doi,mni,sit,sa,fr,lus,inc',
   '<div>
      <a href="/places/default/iso/CN">CN </a>
      <a href="/places/default/iso/NP">NP </a>
      <a href="/places/default/iso/MM">MM </a>
      <a href="/places/default/iso/BT">BT </a>
      <a href="/places/default/iso/PK">PK </a>
      <a href="/places/default/iso/BD">BD </a>
   </div>'
]

请注意，在上面的输出中，您可以使用正则表达式查看有关印度国家的详细信息。

Beautiful Soup

假设我们想要收集网页上的所有超链接，那么我们可以使用一个名为 BeautifulSoup 的解析器，可以在https://www.crummy.com/software/BeautifulSoup/bs4/doc/ 上了解更多详细信息。简而言之，BeautifulSoup 是一个用于从 HTML 和 XML 文件中提取数据的 Python 库。它可以与请求一起使用，因为它需要输入（文档或 url）来创建 soup 对象，因为它本身无法获取网页。您可以使用以下Python脚本来收集网页标题和超链接。

安装Beautiful Soup

使用pip命令，我们可以在虚拟环境或全局安装中安装beautifulsoup 。

(base) D:\ProgramData>pip install bs4
Collecting bs4
   Downloading
https://files.pythonhosted.org/packages/10/ed/7e8b97591f6f456174139ec089c769f89
a94a1a4025fe967691de971f314/bs4-0.0.1.tar.gz
Requirement already satisfied: beautifulsoup4 in d:\programdata\lib\sitepackages
(from bs4) (4.6.0)
Building wheels for collected packages: bs4
   Running setup.py bdist_wheel for bs4 ... done
   Stored in directory:
C:\Users\gaurav\AppData\Local\pip\Cache\wheels\a0\b0\b2\4f80b9456b87abedbc0bf2d
52235414c3467d8889be38dd472
Successfully built bs4
Installing collected packages: bs4
Successfully installed bs4-0.0.1

例子

请注意，在本示例中，我们扩展了使用 requests python 模块实现的上述示例。我们使用r.text创建一个 soup 对象，该对象将进一步用于获取网页标题等详细信息。

首先，我们需要导入必要的 Python 模块 -

import requests
from bs4 import BeautifulSoup

在下面的代码行中，我们使用 requests 来通过发出 GET 请求来对 URL https://authoraditiagarwal.com/发出 GET HTTP 请求。

r = requests.get('https://authoraditiagarwal.com/')

现在我们需要创建一个 Soup 对象，如下所示 -

soup = BeautifulSoup(r.text, 'lxml')
print (soup.title)
print (soup.title.text)

输出

相应的输出将如下所示 -

<title>Learn and Grow with Aditi Agarwal</title>
Learn and Grow with Aditi Agarwal

线性XML

我们要讨论的另一个用于网页抓取的 Python 库是 lxml。它是一个高性能的 HTML 和 XML 解析库。它相对快速且简单。您可以在 https://lxml.de/ 上阅读更多内容。

安装lxml

使用 pip 命令，我们可以在虚拟环境或全局安装中安装lxml 。

(base) D:\ProgramData>pip install lxml
Collecting lxml
   Downloading
https://files.pythonhosted.org/packages/b9/55/bcc78c70e8ba30f51b5495eb0e
3e949aa06e4a2de55b3de53dc9fa9653fa/lxml-4.2.5-cp36-cp36m-win_amd64.whl
(3.
6MB)
   100% |¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦| 3.6MB 64kB/s
Installing collected packages: lxml
Successfully installed lxml-4.2.5

示例：使用 lxml 和 requests 提取数据

在下面的示例中，我们使用 lxml 和 requests从authoraditiagarwal.com抓取网页的特定元素-

首先，我们需要从 lxml 库导入请求和 html，如下所示 -

import requests
from lxml import html

现在我们需要提供要废弃的网页的 url

url = https://authoraditiagarwal.com/leadershipmanagement/

现在我们需要提供该网页特定元素的路径（Xpath） -

path = '//*[@id="panel-836-0-0-1"]/div/div/p[1]'
response = requests.get(url)
byte_string = response.content
source_code = html.fromstring(byte_string)
tree = source_code.xpath(path)
print(tree[0].text_content())

输出

相应的输出将如下所示 -

The Sprint Burndown or the Iteration Burndown chart is a powerful tool to communicate
daily progress to the stakeholders. It tracks the completion of work for a given sprint
or an iteration. The horizontal axis represents the days within a Sprint. The vertical 
axis represents the hours remaining to complete the committed work.