Python培训
400-111-8989
Python培训 > Python练习题库 > 正文
Python/BeautifulSoup爬虫手把手实例教程
- 发布： 侠天
- 来源：神机喵算
- 时间：2017-08-21 15:23
Web爬虫能自动抽取数据，并以人们容易理解的方式展现。本文章将举个金融市场的例子，但是Web爬虫能做的远不止于此。
如果你是一个狂热的投资者，当你需要的股票价格跨多个网站，那获取每天的股票价格是相当痛苦。本文通过创建一个Web爬虫自动从互联网上检索股指数据。
开始
我们将使用Python和BeautifulSoup编写爬虫：
对于Mac用户，Python已预装好。打开终端，输入python —version，你回看到Python版本是2.7.x;
对于Windows用户，请按官方文档安装Python
接下来使用pip安装BeautifulSoup库，在terminal中执行：
easy_install pip
pip install BeautifulSoup4
Note：如果执行以上命令失败，请尝试加上sudo再次执行。
基础知识
在看代码之前，先理解一下HTML网页基本知识和爬取规则。
HTML标签
如果你已经熟悉HTML标签，可以跳过此部分。
<!DOCTYPE html> <html>
<head>
</head>
<body>
<h1> First Scraping </h1>
<p> Hello World </p>
<body></html>
上面是HTML网页基本的语法，网页中的每个代表一个功能块：
<!DOCTYPE html>：HTML文档必须以<!DOCTYPE html>标签为起点;
HTML文档包含在<html> 和</html>标签之间;
HTML文档的元数据和脚本声明放在<head> 和 </head>标签之间;
HTML文档的正文部分放在 <body> 和 </body>标签内;
<h1> 到 <h6>标签定义标题;
<p> 标签定义段落;
其它常用的标签有，<a> ：超链接，<table> ：表格;<tr> 表格的行，<td>表格的列。
有时，HTML标签也带有 id 或者 class 属性。 id 属性是指定HTML标签的唯一id，其在HTML文档内取值唯一。 class 属性是表示同一类HTML标签。我们可以使用两个属性进行数据定位。
W3Schools上可以学到更多关于HTML tag，id和class的知识。
爬取规则
爬取网站的第一步是，阅读网站的爬取协议或者声明。一般情况，爬取的数据不能用于商业目的。
不能太频繁的请求网站数据，不然会被列入黑名单。最好能让你的程序模拟人的行为。一般设为每秒访问一个页面为最佳。
网站的布局会随时改变，确保改写你的代码能重新爬取该网页。
检查(Inspect)网页
下面拿Bloomberg Quote网站举例：
当前炒股非常火，假设某个炒股者关注股票市场，想得到股指(S&P 500)名字和价格。首先在浏览器打开该网页，使用浏览器的检查器(inspector)来检查网页。
鼠标悬停在价格的位置，你会看到价格周围蓝色的方框。当点击它时，相关的网页在浏览器控制台上显示被选中。
上面的结果显示，该股指的价格包含在HTML标签的一级， <div class="basic-quote"> → <div class="price-container up"> → <div class="price">。
相似的，如果将鼠标悬停在“S&P 500 Index”并点击名字，会看到它包含在<div class="basic-quote"> 和 <h1 class="name">。
现在我们知道可以通过class 标签辅助定位所需爬取的数据。
代码实践
知道所要爬取的数据位置，那就动起手来开始爬虫。
首先，导入所需的编程库：
# import librariesimport urllib2from bs4 import BeautifulSoup
接着，声明网页URL变量：
# specify the urlquote_page = ‘#/quote/SPX:IND'
然后，使用Python urllib2获取HTML网页：
# query the website and return the html to the variable ‘page’page = urllib2.urlopen(quote_page)
最后，把网页解析成BeautifulSoup格式：
# parse the html using beautiful soap and store in variable `soup`soup = BeautifulSoup(page, ‘html.parser’)
上面soup变量获得网页的HTML内容。我们将从其中抽取数据。
还记得所需爬取数据的唯一层吗?BeautifulSoup能帮我们获取这些层，并使用find()抽取其内容。因为HTML的class标签是唯一的，所以可简单的查询 <div class="name">。
# Take out the <div> of name and get its valuename_box = soup.find(‘h1’, attrs={‘class’: ‘name’})
通过 text函数获取数据：
name = name_box.text.strip() # strip() is used to remove starting and trailingprint name
同样地，我们获取股指价格：
# get the index priceprice_box = soup.find(‘div’, attrs={‘class’:’price’})
price = price_box.textprint price
当运行程序，将会打印S&P 500股指。
导出Excel CSV文件
获取数据之后进行存储，Excel逗号分隔的格式看起来不错。你能用Excel打开查看数据。
首先，导入Python的csv模块和datetime模块：
import csvfrom datetime import datetime
将爬取的数据存储到一个csv文件：
# open a csv file with append, so old data will not be erasedwith open(‘index.csv’, ‘a’) as csv_file:
writer = csv.writer(csv_file)
writer.writerow([name, price, datetime.now()])
执行程序后，你可以打开一个index.csv文件，看到如下内容：
·
如果每天执行该程序，你无需打开网站即可获得S&P 500股指价格。
进阶使用
这时你可以轻松爬取一个股指，下面举例一次抽取多个股指数据。
首先，更新quote_page变量为一个URL数组：
quote_page = [‘#/quote/SPX:IND', ‘#/quote/CCMP:IND']
然后，将爬取代码加一个for循环，其处理每个URL并将数据存储到data：
# for loopdata = []for pg in quote_page: # query the website and return the html to the variable ‘page’
page = urllib2.urlopen(pg)# parse the html using beautiful soap and store in variable `soup`
soup = BeautifulSoup(page, ‘html.parser’)# Take out the <div> of name and get its value
name_box = soup.find(‘h1’, attrs={‘class’: ‘name’})
name = name_box.text.strip() # strip() is used to remove starting and trailing# get the index price
price_box = soup.find(‘div’, attrs={‘class’:’price’})
price = price_box.text# save the data in tuple
data.append((name, price))
同时，更改存储csv文件部分代码：
# open a csv file with append, so old data will not be erasedwith open(‘index.csv’, ‘a’) as csv_file:
writer = csv.writer(csv_file) # The for loop
for name, price in data:
writer.writerow([name, price, datetime.now()])
现在实现一次爬取两个股指价格。
预约申请免费试听课
填写下面表单即可预约申请免费试听！ 怕学不会？助教全程陪读，随时解惑！担心就业？一地学习，可全国推荐就业！
-
扫码领取资料
回复关键字：视频资料
免费领取 达内课程视频学习资料
Copyright © Tedu.cn All Rights Reserved 京ICP备08000853号-56 
京公网安备 11010802029508号 达内时代科技集团有限公司 版权所有
选择城市和中心
北京
黑龙江省
吉林省
内蒙古
河北省
陕西省
江苏省
湖北省
四川省
重庆
湖南省
江西省
贵州省
云南省
广西省
海南省
台湾