Web scraping w Pythonie

Importowanie danych w Pythonie – poziom średniozaawansowany

Hugo Bowne-Anderson

Data Scientist at DataCamp

HTML

  • Mieszanka danych nieustrukturyzowanych i ustrukturyzowanych

  • Dane ustrukturyzowane:

    • Posiadają z góry określony model danych, lub

    • Są zorganizowane w określony sposób

  • Dane nieustrukturyzowane: żadna z tych właściwości

ch_1_3.008.png

Importowanie danych w Pythonie – poziom średniozaawansowany

BeautifulSoup

  • Parsowanie i wyodrębnianie danych ustrukturyzowanych z HTML

ch_1_3.011.png

  • Porządkowanie „zupy tagów" i ekstrakcja informacji
Importowanie danych w Pythonie – poziom średniozaawansowany

BeautifulSoup

from bs4 import BeautifulSoup
import requests
url = 'https://www.crummy.com/software/BeautifulSoup/'
r = requests.get(url)
html_doc = r.text
soup = BeautifulSoup(html_doc)
Importowanie danych w Pythonie – poziom średniozaawansowany

Sformatowana zupa

print(soup.prettify())
<!DOCTYPE HTML PUBLIC "-//W3C//DTD HTML 4.0 Transitional//EN" "http://www.w3.org/TR/REC-html40/transitional.dtd">
<html>
 <head>
  <meta content="text/html; charset=utf-8" http-equiv="Content-Type"/>
  <title>
   Beautiful Soup: We called him Tortoise because he taught us.
  </title>
  <link href="mailto:[email protected]" rev="made"/>
  <link href="/nb/themes/Default/nb.css" rel="stylesheet" type="text/css"/>
  <meta content="Beautiful Soup: a library designed for screen-scraping HTML and XML." name="Description"/>
  <meta content="Markov Approximation 1.4 (module: leonardr)" name="generator"/>
  <meta content="Leonard Richardson" name="author"/>
 </head>
 <body alink="red" bgcolor="white" link="blue" text="black" vlink="660066">
  <img align="right" src="10.1.jpg" width="250"/>
  <br/>
  <p>
Importowanie danych w Pythonie – poziom średniozaawansowany

Eksploracja BeautifulSoup

  • Wiele dostępnych metod, m.in.:
print(soup.title)
<title>Beautiful Soup: We called him Tortoise because he taught us.</title>
print(soup.get_text())
Beautiful Soup: We called him Tortoise because he taught us.
You didn't write that awful page. You're just trying to
get some data out of it. Beautiful Soup is here to 
help. Since 2004, it's been saving programmers hours or
days of work on quick-turnaround screen scraping 
projects.
Importowanie danych w Pythonie – poziom średniozaawansowany

Eksploracja BeautifulSoup

  • find_all()
for link in soup.find_all('a'):
    print(link.get('href'))
bs4/download/
#Download
bs4/doc/
#HallOfFame
https://code.launchpad.net/beautifulsoup
https://groups.google.com/forum/?fromgroups#!forum/beautifulsoup
http://www.candlemarkandgleam.com/shop/constellation-games/
http://constellation.crummy.com/Constellation%20Games%20excerpt.html
https://groups.google.com/forum/?fromgroups#!forum/beautifulsoup
https://bugs.launchpad.net/beautifulsoup/
http://lxml.de/
http://code.google.com/p/html5lib/
Importowanie danych w Pythonie – poziom średniozaawansowany

Czas na ćwiczenia!

Importowanie danych w Pythonie – poziom średniozaawansowany

Preparing Video For Download...