Збирання даних з вебу в Python

Середній рівень імпортування даних у Python

Hugo Bowne-Anderson

Data Scientist at DataCamp

HTML

  • Поєднання неструктурованих і структурованих даних

  • Структуровані дані:

    • Мають заздалегідь визначену модель даних, або

    • Упорядковані за визначеними правилами

  • Неструктуровані дані: не мають цих властивостей

ch_1_3.008.png

Середній рівень імпортування даних у Python

BeautifulSoup

  • Розберіть і витягніть структуровані дані з HTML

ch_1_3.011.png

  • «Tag soup» зробіть охайним і дістаньте потрібне
Середній рівень імпортування даних у Python

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)
Середній рівень імпортування даних у Python

Prettified Soup

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>
Середній рівень імпортування даних у Python

Ознайомлення з BeautifulSoup

  • Багато методів, наприклад:
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.
Середній рівень імпортування даних у Python

Ознайомлення з 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/
Середній рівень імпортування даних у Python

Давайте потренуємось!

Середній рівень імпортування даних у Python

Preparing Video For Download...