使用 BeautifulSoup 通过超链接访问表格数据

Posted 2023-02-23

【中文标题】使用 BeautifulSoup 通过超链接访问表格数据

【英文标题】：Accessing tabular data via hyperlinks with BeautifulSoup

【发布时间】：2016-01-13 04:00:46

【问题描述】：

关于使用 BeautifulSoup，我仍有一些不明白的地方。我可以用它来解析网页的原始 html，这里是“example_website.com”：

from bs4 import BeautifulSoup # load BeautifulSoup class
import requests 
r  = requests.get("http://example_website.com")
data = r.text
soup = BeautifulSoup(data)
# soup.find_all('a') grabs all elements with <a> tag for hyperlinks    

然后，要检索和打印所有具有 'href' 属性的元素，我们可以使用 for 循环：

for link in soup.find_all('a'):
    print(link.get('href')) 

我不明白的是：我有一个包含多个网页的网站，每个网页都列出了几个超链接，这些超链接指向一个带有表格数据的网页。

我可以使用 BeautifulSoup 来解析主页，但是如何使用相同的 Python 脚本来抓取第 2 页、第 3 页等呢？您如何“访问”通过“href”链接找到的内容？

有没有办法编写一个 python 脚本来做到这一点？我应该使用蜘蛛吗？

【参考方案1】：

您当然可以使用requests+BeautifulSoup 做到这一点。这将具有阻塞性质，因为您将逐个处理提取的链接，并且在完成当前链接之前不会继续下一个链接。示例实现：

from urlparse import urljoin

from bs4 import BeautifulSoup 
import requests 

with requests.Session() as session:    
    r = session.get("http://example_website.com")
    data = r.text
    soup = BeautifulSoup(data)

    base_url = "http://example_website.com" 
    for link in soup.find_all('a'):
        url = urljoin(base_url, link.get('href'))

        r = session.get(url)
        # parse the subpage

不过，它可能会很快变得复杂而缓慢。

您可能需要切换到Scrapy web-scraping framework，这使得网络抓取、爬网、跟踪链接变得容易（使用链接提取器查看CrawlSpider）、快速且非阻塞性质（它基于 Twisted） .

【讨论】：

"复杂而缓慢" 这就是问题所在。我想我必须一个一个地处理链接。对于“目录”类型的网站（例如，想想 Yelp），这会变得乏味。您将不得不编写多个 for 循环，并确保您没有跳过任何内容。 （我可能错了！）