Web Scraping Python Tutorial - So kratzen Sie Daten von einer Website

Python ist eine schöne Sprache zum Codieren. Es hat ein großartiges Paket-Ökosystem, es gibt viel weniger Rauschen als in anderen Sprachen und es ist super einfach zu bedienen.

Python wird für eine Reihe von Dingen verwendet, von der Datenanalyse bis zur Serverprogrammierung. Ein aufregender Anwendungsfall von Python ist Web Scraping.

In diesem Artikel wird erläutert, wie Python für das Web-Scraping verwendet wird. Im weiteren Verlauf werden wir auch einen vollständigen praktischen Leitfaden für das Klassenzimmer durcharbeiten.

Hinweis: Wir werden eine von mir gehostete Webseite kratzen, damit wir sicher lernen können, darauf zu kratzen. Viele Unternehmen erlauben kein Scraping auf ihren Websites, daher ist dies ein guter Weg, um zu lernen. Stellen Sie einfach sicher, dass Sie dies überprüfen, bevor Sie kratzen.

Einführung in das Web Scraping-Klassenzimmer

Wenn Sie mitcodieren möchten, können Sie dieses kostenlose codedamn-Klassenzimmer verwendenDas besteht aus mehreren Labors, die Ihnen beim Erlernen des Web-Scrapings helfen. Dies ist eine praktische praktische Lernübung auf codedamn, ähnlich wie Sie auf freeCodeCamp lernen.

In diesem Klassenzimmer verwenden Sie diese Seite, um das Web-Scraping zu testen: //codedamn-classrooms.github.io/webscraper-python-codedamn-classroom-website/

Dieses Klassenzimmer besteht aus 7 Labors, und Sie werden in jedem Teil dieses Blogposts ein Labor lösen. Wir werden Python 3.8 + BeautifulSoup 4 für das Web-Scraping verwenden.

Teil 1: Laden von Webseiten mit 'Anfrage'

Dies ist der Link zu diesem Labor.

Mit dem requestsModul können Sie HTTP-Anforderungen mit Python senden.

Die HTTP-Anforderung gibt ein Antwortobjekt mit allen Antwortdaten (Inhalt, Codierung, Status usw.) zurück. Ein Beispiel für das Abrufen des HTML-Codes einer Seite:

import requests res = requests.get('//codedamn.com') print(res.text) print(res.status_code)

Bestehende Anforderungen:

  • Rufen Sie den Inhalt der folgenden URL mit dem requestsModul ab: //codedamn-classrooms.github.io/webscraper-python-codedamn-classroom-website/
  • Speichern Sie die Textantwort (wie oben gezeigt) in einer Variablen namens txt
  • Speichern Sie den Statuscode (wie oben gezeigt) in einer Variablen namens status
  • Druck txtund statusmit printFunktion

Sobald Sie verstanden haben, was im obigen Code passiert, ist es ziemlich einfach, dieses Labor zu bestehen. Hier ist die Lösung für dieses Labor:

import requests # Make a request to //codedamn-classrooms.github.io/webscraper-python-codedamn-classroom-website/ # Store the result in 'res' variable res = requests.get( '//codedamn-classrooms.github.io/webscraper-python-codedamn-classroom-website/') txt = res.text status = res.status_code print(txt, status) # print the result

Fahren wir jetzt mit Teil 2 fort, in dem Sie mehr auf Ihrem vorhandenen Code aufbauen.

Teil 2: Titel mit BeautifulSoup extrahieren

Dies ist der Link zu diesem Labor.

In diesem gesamten Klassenzimmer verwenden Sie eine BeautifulSoupin Python aufgerufene Bibliothek , um Web-Scraping durchzuführen. Einige Funktionen, die BeautifulSoup zu einer leistungsstarken Lösung machen, sind:

  1. Es bietet viele einfache Methoden und pythonische Redewendungen zum Navigieren, Suchen und Ändern eines DOM-Baums. Das Schreiben einer Anwendung erfordert nicht viel Code
  2. Beautiful Soup setzt auf beliebte Python-Parser wie lxml und html5lib und ermöglicht es Ihnen, verschiedene Parsing-Strategien auszuprobieren oder Geschwindigkeit für Flexibilität zu tauschen.

Grundsätzlich kann BeautifulSoup alles im Web analysieren, was Sie ihm geben.

Hier ist ein einfaches Beispiel für BeautifulSoup:

from bs4 import BeautifulSoup page = requests.get("//codedamn.com") soup = BeautifulSoup(page.content, 'html.parser') title = soup.title.text # gets you the text of the (...)

Bestehende Anforderungen:

  • Verwenden Sie das requestsPaket, um den Titel der URL abzurufen: //codedamn-classrooms.github.io/webscraper-python-codedamn-classroom-website/
  • Verwenden Sie BeautifulSoup, um den Titel dieser Seite in einer Variablen namens zu speichern page_title

Wenn Sie sich das obige Beispiel ansehen, können Sie sehen, dass Sie, sobald wir die page.contentInside BeautifulSoup füttern , sehr pythonisch mit dem analysierten DOM-Baum arbeiten können. Die Lösung für das Labor wäre:

import requests from bs4 import BeautifulSoup # Make a request to //codedamn-classrooms.github.io/webscraper-python-codedamn-classroom-website/ page = requests.get( "//codedamn-classrooms.github.io/webscraper-python-codedamn-classroom-website/") soup = BeautifulSoup(page.content, 'html.parser') # Extract title of page page_title = soup.title.text # print the result print(page_title)

Dies war auch ein einfaches Labor, in dem wir die URL ändern und den Seitentitel drucken mussten. Dieser Code würde das Labor passieren.

Teil 3: Suppenkörper und Kopf

Dies ist der Link zu diesem Labor.

Im letzten Labor haben Sie gesehen, wie Sie das titlevon der Seite extrahieren können . Ebenso einfach ist es, bestimmte Abschnitte zu extrahieren.

Sie haben auch gesehen, dass Sie diese aufrufen müssen .text, um die Zeichenfolge zu erhalten, aber Sie können sie drucken, ohne auch aufzurufen .text, und Sie erhalten das vollständige Markup. Versuchen Sie, das folgende Beispiel auszuführen:

import requests from bs4 import BeautifulSoup # Make a request page = requests.get( "//codedamn.com") soup = BeautifulSoup(page.content, 'html.parser') # Extract title of page page_title = soup.title.text # Extract body of page page_body = soup.body # Extract head of page page_head = soup.head # print the result print(page_body, page_head)

Werfen wir einen Blick darauf , wie Sie extrahieren können bodyund headaus Ihren Seiten Abschnitte.

Bestehende Anforderungen:

  • Wiederholen Sie den Versuch mit URL: //codedamn-classrooms.github.io/webscraper-python-codedamn-classroom-website/
  • Speichern Sie den Seitentitel (ohne .text aufzurufen) der URL in page_title
  • Speichern Sie den Textinhalt (ohne .text aufzurufen) der URL in page_body
  • Speichern Sie den Kopfinhalt (ohne .text aufzurufen) der URL in page_head

Wenn Sie versuchen , das zu drucken , page_bodyoder page_headSie werden sehen , dass diejenigen , die als gedruckt strings. Aber in Wirklichkeit ist es, wenn Sie print(type page_body)sehen, keine Zeichenfolge, aber es funktioniert gut.

Die Lösung dieses Beispiels wäre einfach, basierend auf dem obigen Code:

import requests from bs4 import BeautifulSoup # Make a request page = requests.get( "//codedamn-classrooms.github.io/webscraper-python-codedamn-classroom-website/") soup = BeautifulSoup(page.content, 'html.parser') # Extract title of page page_title = soup.title # Extract body of page page_body = soup.body # Extract head of page page_head = soup.head # print the result print(page_title, page_head)

Teil 4: Mit BeautifulSoup auswählen

Dies ist der Link zu diesem Labor.

Nachdem Sie einige Teile von BeautifulSoup untersucht haben, schauen wir uns an, wie Sie DOM-Elemente mit BeautifulSoup-Methoden auswählen können.

Once you have the soup variable (like previous labs), you can work with .select on it which is a CSS selector inside BeautifulSoup. That is, you can reach down the DOM tree just like how you will select elements with CSS. Let's look at an example:

import requests from bs4 import BeautifulSoup # Make a request page = requests.get( "//codedamn-classrooms.github.io/webscraper-python-codedamn-classroom-website/") soup = BeautifulSoup(page.content, 'html.parser') # Extract first 

(...)

text first_h1 = soup.select('h1')[0].text

.select returns a Python list of all the elements. This is why you selected only the first element here with the [0] index.

Passing requirements:

  • Create a variable all_h1_tags. Set it to empty list.
  • Use .select to select all the

    tags and store the text of those h1 inside all_h1_tags list.

  • Create a variable seventh_p_text and store the text of the 7th p element (index 6) inside.

The solution for this lab is:

import requests from bs4 import BeautifulSoup # Make a request page = requests.get( "//codedamn-classrooms.github.io/webscraper-python-codedamn-classroom-website/") soup = BeautifulSoup(page.content, 'html.parser') # Create all_h1_tags as empty list all_h1_tags = [] # Set all_h1_tags to all h1 tags of the soup for element in soup.select('h1'): all_h1_tags.append(element.text) # Create seventh_p_text and set it to 7th p element text of the page seventh_p_text = soup.select('p')[6].text print(all_h1_tags, seventh_p_text) 

Let's keep going.

Part 5: Top items being scraped right now

This is the link to this lab.

Let's go ahead and extract the top items scraped from the URL: //codedamn-classrooms.github.io/webscraper-python-codedamn-classroom-website/

If you open this page in a new tab, you’ll see some top items. In this lab, your task is to scrape out their names and store them in a list called top_items. You will also extract out the reviews for these items as well.

To pass this challenge, take care of the following things:

  • Use .select to extract the titles. (Hint: one selector for product titles could be a.title)
  • Use .select to extract the review count label for those product titles. (Hint: one selector for reviews could be div.ratings) Note: this is a complete label (i.e. 2 reviews) and not just a number.
  • Create a new dictionary in the format:
info = { "title": 'Asus AsusPro Adv... '.strip(), "review": '2 reviews\n\n\n'.strip() }
  • Note that you are using the strip method to remove any extra newlines/whitespaces you might have in the output. This is important to pass this lab.
  • Append this dictionary in a list called top_items
  • Print this list at the end

There are quite a few tasks to be done in this challenge. Let's take a look at the solution first and understand what is happening:

import requests from bs4 import BeautifulSoup # Make a request page = requests.get( "//codedamn-classrooms.github.io/webscraper-python-codedamn-classroom-website/") soup = BeautifulSoup(page.content, 'html.parser') # Create top_items as empty list top_items = [] # Extract and store in top_items according to instructions on the left products = soup.select('div.thumbnail') for elem in products: title = elem.select('h4 > a.title')[0].text review_label = elem.select('div.ratings')[0].text info = { "title": title.strip(), "review": review_label.strip() } top_items.append(info) print(top_items)

Note that this is only one of the solutions. You can attempt this in a different way too. In this solution:

  1. First of all you select all the div.thumbnail elements which gives you a list of individual products
  2. Then you iterate over them
  3. Because select allows you to chain over itself, you can use select again to get the title.
  4. Note that because you're running inside a loop for div.thumbnail already, the h4 > a.title selector would only give you one result, inside a list. You select that list's 0th element and extract out the text.
  5. Finally you strip any extra whitespace and append it to your list.

Straightforward right?

Part 6: Extracting Links

This is the link to this lab.

So far you have seen how you can extract the text, or rather innerText of elements. Let's now see how you can extract attributes by extracting links from the page.

Here’s an example of how to extract out all the image information from the page:

import requests from bs4 import BeautifulSoup # Make a request page = requests.get( "//codedamn-classrooms.github.io/webscraper-python-codedamn-classroom-website/") soup = BeautifulSoup(page.content, 'html.parser') # Create top_items as empty list image_data = [] # Extract and store in top_items according to instructions on the left images = soup.select('img') for image in images: src = image.get('src') alt = image.get('alt') image_data.append({"src": src, "alt": alt}) print(image_data)

In this lab, your task is to extract the href attribute of links with their text as well. Make sure of the following things:

  • You have to create a list called all_links
  • In this list, store all link dict information. It should be in the following format:
info = { "href": "", "text": "" }
  • Make sure your text is stripped of any whitespace
  • Make sure you check if your .text is None before you call .strip() on it.
  • Store all these dicts in the all_links
  • Print this list at the end

You are extracting the attribute values just like you extract values from a dict, using the get function. Let's take a look at the solution for this lab:

import requests from bs4 import BeautifulSoup # Make a request page = requests.get( "//codedamn-classrooms.github.io/webscraper-python-codedamn-classroom-website/") soup = BeautifulSoup(page.content, 'html.parser') # Create top_items as empty list all_links = [] # Extract and store in top_items according to instructions on the left links = soup.select('a') for ahref in links: text = ahref.text text = text.strip() if text is not None else '' href = ahref.get('href') href = href.strip() if href is not None else '' all_links.append({"href": href, "text": text}) print(all_links) 

Here, you extract the href attribute just like you did in the image case. The only thing you're doing is also checking if it is None. We want to set it to empty string, otherwise we want to strip the whitespace.

Part 7: Generating CSV from data

This is the link to this lab.

Finally, let's understand how you can generate CSV from a set of data. You will create a CSV with the following headings:

  1. Product Name
  2. Price
  3. Description
  4. Reviews
  5. Product Image

These products are located in the div.thumbnail. The CSV boilerplate is given below:

import requests from bs4 import BeautifulSoup import csv # Make a request page = requests.get( "//codedamn-classrooms.github.io/webscraper-python-codedamn-classroom-website/") soup = BeautifulSoup(page.content, 'html.parser') all_products = [] products = soup.select('div.thumbnail') for product in products: # TODO: Work print("Work on product here") keys = all_products[0].keys() with open('products.csv', 'w',) as output_file: dict_writer = csv.DictWriter(output_file, keys) dict_writer.writeheader() dict_writer.writerows(all_products) 

You have to extract data from the website and generate this CSV for the three products.

Passing Requirements:

  • Product Name is the whitespace trimmed version of the name of the item (example - Asus AsusPro Adv..)
  • Price is the whitespace trimmed but full price label of the product (example - $1101.83)
  • The description is the whitespace trimmed version of the product description (example - Asus AsusPro Advanced BU401LA-FA271G Dark Grey, 14", Core i5-4210U, 4GB, 128GB SSD, Win7 Pro)
  • Reviews are the whitespace trimmed version of the product (example - 7 reviews)
  • Product image is the URL (src attribute) of the image for a product (example - /webscraper-python-codedamn-classroom-website/cart2.png)
  • The name of the CSV file should be products.csv and should be stored in the same directory as your script.py file

Let's see the solution to this lab:

import requests from bs4 import BeautifulSoup import csv # Make a request page = requests.get( "//codedamn-classrooms.github.io/webscraper-python-codedamn-classroom-website/") soup = BeautifulSoup(page.content, 'html.parser') # Create top_items as empty list all_products = [] # Extract and store in top_items according to instructions on the left products = soup.select('div.thumbnail') for product in products: name = product.select('h4 > a')[0].text.strip() description = product.select('p.description')[0].text.strip() price = product.select('h4.price')[0].text.strip() reviews = product.select('div.ratings')[0].text.strip() image = product.select('img')[0].get('src') all_products.append({ "name": name, "description": description, "price": price, "reviews": reviews, "image": image }) keys = all_products[0].keys() with open('products.csv', 'w',) as output_file: dict_writer = csv.DictWriter(output_file, keys) dict_writer.writeheader() dict_writer.writerows(all_products) 

The for block is the most interesting here. You extract all the elements and attributes from what you've learned so far in all the labs.

When you run this code, you end up with a nice CSV file. And that's about all the basics of web scraping with BeautifulSoup!

Conclusion

I hope this interactive classroom from codedamn helped you understand the basics of web scraping with Python.

If you liked this classroom and this blog, tell me about it on my twitter and Instagram. Would love to hear feedback!