使用 python 抓取数据？

Posted 2023-02-23

【中文标题】使用 python 抓取数据？

【英文标题】：Web Scraping data using python?

【发布时间】：2012-03-22 16:58:39

【问题描述】：

我刚开始学习使用 Python 进行网页抓取。但是，我已经遇到了一些问题。

我的目标是从 fishbase.org (http://www.fishbase.org/ComNames/CommonNameSearchList.php?CommonName=salmon) 上抓取不同金枪鱼物种的名称

问题：我无法提取所有物种名称。

这是我目前所拥有的：

import urllib2
from bs4 import BeautifulSoup

fish_url = 'http://www.fishbase.org/ComNames/CommonNameSearchList.php?CommonName=Tuna'
page = urllib2.urlopen(fish_url)

soup = BeautifulSoup(html_doc)

spans = soup.find_all(

从这里开始，我不知道如何提取物种名称。我想过使用正则表达式（即soup.find_all("a", text=re.compile("\d+\s+\d+")) 来捕获标签内的文本...

任何意见都将受到高度赞赏！

【参考方案1】：

您不妨利用所有学名（并且只有学名）都在<i/> 标签中的事实：

scientific_names = [it.text for it in soup.table.find_all('i')]

使用 BS 和 RegEx 是解析网页的两种不同方法。前者存在，所以你不必为后者操心。

您应该阅读 BS 的实际作用，似乎您低估了它的实用性。

【参考方案2】：

jozek 建议的是正确的方法，但我无法让他的 sn-p 工作（但这可能是因为我没有运行 BeautifulSoup 4 测试版）。对我有用的是：

import urllib2
from BeautifulSoup import BeautifulSoup

fish_url = 'http://www.fishbase.org/ComNames/CommonNameSearchList.php?CommonName=Tuna'
page = urllib2.urlopen(fish_url)

soup = BeautifulSoup(page)

scientific_names = [it.text for it in soup.table.findAll('i')]

print scientific_names

【讨论】：

确实 findAll 已重命名为 find_all 以符合 pep8。更多信息here.

【参考方案3】：

查看网页，我不确定您要提取哪些信息。但是请注意，您可以使用text 属性轻松获取标签中的文本：

>>> from bs4 import BeautifulSoup
>>> html = '<a>some text</a>'
>>> soup = BeautifulSoup(html)
>>> [tag.text for tag in soup.find_all('a')]
[u'some text']

【参考方案4】：

谢谢大家...我能够解决我在这段代码中遇到的问题：

import urllib2
from bs4 import BeautifulSoup

fish_url = 'http://www.fishbase.org/ComNames/CommonNameSearchList.php?CommonName=Salmon'
page = urllib2.urlopen(fish_url)
html_doc = page.read()
soup = BeautifulSoup(html_doc)

scientific_names = [it.text for it in soup.table.find_all('i')]

for item in scientific_names:
print item

【讨论】：

别忘了接受对你帮助最大的答案作为正确答案。

...因此将 Joe 的答案标记为正确答案是合适的...这有助于防止人们跳入答案，以为没有人为您解决问题。

【参考方案5】：

如果您想要长期解决方案，请尝试scrapy。它非常简单，并且为您做了很多工作。它是非常可定制和可扩展的。您将使用 xpath 提取所需的所有 URL，这更令人愉快和可靠。如果需要，scrapy 仍然允许您使用 re。