如何构建 Python Web Scraper：从任何网站抓取数据

在本文中，我们将构建一个程序，允许您使用 Python 脚本从网站上抓取或抓取数据。这种收集数据的方法称为网络抓取。

网页抓取就是使用 Python 或任何其他编程语言以编程方式下载、清理和使用网页中的数据。大多数网站不希望你抓取他们的数据，为了找出什么是合法的和允许抓取的，网站有一个专门的页面，显示允许的端点的详细信息。

将 robots.txt 附加到任何链接的末尾，以了解允许的端点。例如，让我们使用https://news.ycombinator.com/robots.txt 。

使用下面的文本文件，结果应如下所示：

截图说明了我们被允许和不允许从 YCombinator 网站上抓取的端点。抓取延迟意味着在使用程序从网站抓取数据时暂停，从而不会因为不断抓取而导致其服务器超载并减慢网站速度。

在这个练习中，我们抓取新闻内容的主页，我们可以根据用户代理来完成。

入门

Python web scraper 需要两个必要的模块来抓取数据：

• 美丽的汤
• 要求

美丽的汤

Beautiful Soup 是一个 Python 库，用于从 HTML 文件中提取数据。它使用解析器修改文件，将数据转换为有价值的文档，并为程序员节省数小时的手动和重复性工作。

要求

requests HTTP 库用于使用带有

.get()

创建 Web Scraper

现在来看看这个项目的本质。创建一个新目录，并在其中创建一个文件，该文件将包含网络爬虫程序的所有脚本。

复制并粘贴以下代码：

 # app.py import requests response = requests.get( 'https://news.ycombinator.com/news' ) yc_web_page = response.text print(yc_web_page)

上面的代码执行以下操作：

• 导入

  requests

  模块
• 使用响应变量，附加到

  .get()

  功能从提供的网站链接下载 HTML 文件
• 阅读网页的内容

  .text

如果您使用命令 python 运行此代码

app.py

运行以下命令来安装模块。

 pip3 install requests pip install beautifulsoup4

源代码的结果应如下所示：

接下来，让我们更新

app.py

 # main.py import requests from bs4 import BeautifulSoup # add this
response = requests.get( 'https://news.ycombinator.com/news' ) yc_web_page = response.text # add this 
soup = BeautifulSoup(yc_web_page, 'html.parser' ) article_tag = soup.find(name= "a" , class_= 'titlelink' ) article_title = article_tag.get_text() article_link = article_tag.get( 'href' ) article_upvote = soup.find(name= "span" , class_= "score" ).get_text() result = {  "title" : article_title,  "link" : article_link,  "point" : article_upvote } print(result)

按照上面的代码片段执行以下操作：

• 从模块bs4导入 BeautifulSoup 函数
• 接下来，使用变量soup从

  yc_web_page

  使用 BeautifulSoup 功能和

  html.parser

  获取 HTML 文件

在浏览其余代码之前，让我们使用提供的链接打开我们的网络浏览器

.get()

接下来，在页面上右击，点击inspect，查看YCombinator新闻页面的elements选项卡。

我们的网页应该是这样的：

使用 Beautiful Soup，我们可以使用它们的类名来定位页面上的特定元素：

• 通过分配 article_tag 变量，每个页面元素都有一个标签名称，使用

  find()

  具有元素名称、 a标签和

  class_

  带下划线。这样做是为了防止覆盖网页元素中的类

• 现在，我们要提取的链接标题之一

  article_tag

  使用

  .get_text()

  功能
• 接下来，提取链接

  article_tag

  使用属性

  href

  与

  .get()

  功能
• 这同样适用于

  article_upvote

  变量，其中标签名称，

   <span>

  , 类名用于提取每篇文章链接的点数
• 创建一个变量结果，将提取的数据显示为带有键和值对的字典
• 打印出最终结果

编写完整个脚本后，我们的页面应该会从 YCombinator 的新闻主页中抓取数据，如下所示：

结论

本文教你如何使用 Python 网络爬虫从网页中提取数据。

此外，使用网络抓取工具的功能还在于，它可以节省时间和精力来更快地而不是手动地生成大型数据集。

学到更多

• 美丽的汤文档
• 请求文件