Hogyan lehet kaparni weboldalakat a Python és a BeautifulSoup segítségével

Több információ található az interneten, mint amennyit bármely ember képes felvenni egy életen át. Amire nincs szükséged, nem ezekhez az információkhoz kell hozzáférni, hanem skálázható módon kell gyűjteni, rendszerezni és elemezni azokat.

Szüksége van webes kaparásra.

A webes kaparás automatikusan kivonja az adatokat és olyan formátumban mutatja be, amelyet könnyen értelmezhet. Ebben az oktatóanyagban a pénzügyi piacon történő alkalmazásaira összpontosítunk, de a webes kaparás sokféle helyzetben alkalmazható.

Ha lelkes befektető vagy, a napi záró árak megszerzése fájdalmat okozhat, különösen, ha a szükséges információk több weboldalon megtalálhatók. Megkönnyítjük az adatok kinyerését egy webkaparó felépítésével, amely automatikusan lekéri a részvényindexeket az internetről.

Elkezdeni

A Python-t fogjuk használni kaparós nyelvként, egy egyszerű és hatékony könyvtárral, a BeautifulSoup-tal együtt.

  • Mac felhasználók számára a Python előre telepítve van az OS X rendszerbe. Nyissa meg a Terminált és írja be python --version. Látnia kell, hogy a python verziója 2.7.x.
  • Windows felhasználók számára telepítse a Python-t a hivatalos webhelyen keresztül.

Ezután meg kell szereznünk a BeautifulSoup könyvtárat pip, a Python csomagkezelő eszközének használatával.

Írja be a terminálba:

easy_install pip pip install BeautifulSoup4

Megjegyzés : Ha nem sikerül végrehajtani a fenti parancssort, próbálja meg hozzáadni sudominden sor elé.

Az alapok

Mielőtt elkezdenénk a kódba ugrani, ismerjük meg a HTML alapjait és a kaparás néhány szabályát.

HTML címkék

Ha már ért a HTML-címkékhez, hagyja ki nyugodtan ezt a részt.

First Scraping

Hello World

Ez egy HTML weboldal alapvető szintaxisa. Mindegyik blokkot szolgál a weboldalon belül:

1 .: A HTML dokumentumoknak típusdeklarációval kell kezdődniük.

2. A HTML dokumentum és között található .

3. A HTML dokumentum meta és script deklarációja és között van .

4. A látható része a HTML dokumentum között és címkéket.

5. A címsorokat a

Original text


keresztül

címkék.

6. A bekezdések a

Other useful tags include for hyperlinks,

for tables, for table rows, and
táblázat oszlopaihoz.

Ezenkívül a HTML-címkék néha tartalmaznak idvagy classattribútumokat. Az idattribútum egyedi azonosítót ad meg egy HTML-címkéhez, és az értéknek egyedinek kell lennie a HTML-dokumentumban. Az classattribútum azonos stílusú HTML-címkék azonos stílusának meghatározására szolgál. Használhatjuk ezeket az azonosítókat és osztályokat, hogy megkönnyítsük a kívánt adatok felkutatását.

A HTML-címkékről, azonosítóról és osztályról további információt a W3Schools oktatóanyagok című részben talál.

Kaparási szabályok

  1. Mielőtt megkaparintaná, ellenőrizze a webhely Általános Szerződési Feltételeit. Vigyázzon, olvassa el az adatok törvényes felhasználására vonatkozó nyilatkozatokat. Általában az Ön által lekapart adatokat nem szabad kereskedelmi célokra felhasználni.
  2. Ne kérjen túl agresszíven adatokat a webhelyről a programjával (más néven spameléssel), mert ez megszakíthatja a webhelyet. Győződjön meg arról, hogy programja ésszerű módon viselkedik (azaz emberként viselkedik). Jó gyakorlat egy másodpercenként egy weboldalra vonatkozó kérés.
  3. A webhely elrendezése időről időre változhat, ezért mindenképpen látogassa meg újra a webhelyet, és írja be szükség szerint a kódját

Az oldal ellenőrzése

Vegyünk példaként egy oldalt a Bloomberg Quote webhelyről.

A tőzsdét követőként szeretnénk erről az oldalról megkapni az index nevét (S&P 500) és annak árát. Először kattintson a jobb gombbal, és nyissa meg a böngésző ellenőrzőjét a weboldal ellenőrzéséhez.

Próbálja meg az egérmutatót az áron mozgatni, és látnia kell egy kék négyzetet, amely körülveszi. Ha rákattint, a kapcsolódó HTML-t kiválasztja a böngésző konzol.

From the result, we can see that the price is inside a few levels of HTML tags, which is .

Similarly, if you hover and click the name “S&P 500 Index”, it is inside and

.

Now we know the unique location of our data with the help of class tags.

Jump into the Code

Now that we know where our data is, we can start coding our web scraper. Open your text editor now!

First, we need to import all the libraries that we are going to use.

# import libraries import urllib2 from bs4 import BeautifulSoup

Next, declare a variable for the url of the page.

# specify the url quote_page = ‘//www.bloomberg.com/quote/SPX:IND'

Then, make use of the Python urllib2 to get the HTML page of the url declared.

# query the website and return the html to the variable ‘page’ page = urllib2.urlopen(quote_page)

Finally, parse the page into BeautifulSoup format so we can use BeautifulSoup to work on it.

# parse the html using beautiful soup and store in variable `soup` soup = BeautifulSoup(page, ‘html.parser’)

Now we have a variable, soup, containing the HTML of the page. Here’s where we can start coding the part that extracts the data.

Remember the unique layers of our data? BeautifulSoup can help us get into these layers and extract the content with find(). In this case, since the HTML class name is unique on this page, we can simply query .

# Take out the of name and get its value name_box = soup.find(‘h1’, attrs={‘class’: ‘name’})

After we have the tag, we can get the data by getting its text.

name = name_box.text.strip() # strip() is used to remove starting and trailing print name

Similarly, we can get the price too.

# get the index price price_box = soup.find(‘div’, attrs={‘class’:’price’}) price = price_box.text print price

When you run the program, you should be able to see that it prints out the current price of the S&P 500 Index.

Export to Excel CSV

Now that we have the data, it is time to save it. The Excel Comma Separated Format is a nice choice. It can be opened in Excel so you can see the data and process it easily.

But first, we have to import the Python csv module and the datetime module to get the record date. Insert these lines to your code in the import section.

import csv from datetime import datetime

At the bottom of your code, add the code for writing data to a csv file.

# open a csv file with append, so old data will not be erased with open(‘index.csv’, ‘a’) as csv_file: writer = csv.writer(csv_file) writer.writerow([name, price, datetime.now()])

Now if you run your program, you should able to export an index.csv file, which you can then open with Excel, where you should see a line of data.

So if you run this program everyday, you will be able to easily get the S&P 500 Index price without rummaging through the website!

Going Further (Advanced uses)

Multiple Indices

So scraping one index is not enough for you, right? We can try to extract multiple indices at the same time.

First, modify the quote_page into an array of URLs.

quote_page = [‘//www.bloomberg.com/quote/SPX:IND', ‘//www.bloomberg.com/quote/CCMP:IND']

Then we change the data extraction code into a for loop, which will process the URLs one by one and store all the data into a variable data in tuples.

# for loop data = [] 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 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))

Also, modify the saving section to save data row by row.

# open a csv file with append, so old data will not be erased with 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()])

Rerun the program and you should be able to extract two indices at the same time!

Advanced Scraping Techniques

BeautifulSoup is simple and great for small-scale web scraping. But if you are interested in scraping data at a larger scale, you should consider using these other alternatives:

  1. Scrapy, a powerful python scraping framework
  2. Try to integrate your code with some public APIs. The efficiency of data retrieval is much higher than scraping webpages. For example, take a look at Facebook Graph API, which can help you get hidden data which is not shown on Facebook webpages.
  3. Consider using a database backend like MySQL to store your data when it gets too large.

Adopt the DRY Method

DRY stands for “Don’t Repeat Yourself”, try to automate your everyday tasks like this person. Some other fun projects to consider might be keeping track of your Facebook friends’ active time (with their consent of course), or grabbing a list of topics in a forum and trying out natural language processing (which is a hot topic for Artificial Intelligence right now)!

If you have any questions, please feel free to leave a comment below.

References

//www.gregreda.com/2013/03/03/web-scraping-101-with-python/

//www.analyticsvidhya.com/blog/2015/10/beginner-guide-web-scraping-beautiful-soup-python/

This article was originally published on Altitude Labs’ blog and was written by our software engineer, Leonard Mok. Altitude Labs is a software agency that specializes in personalized, mobile-first React apps.