如何使用 Python 和 BeautifulSoup 爬取网站

互联网上的信息如此之多，任何人穷其一生也无法全部消化吸收。你需要的不是访问这些信息，而是一种可伸缩的方式，可以用来收集、组织和分析这些信息。

你需要的是 Web 爬取。

Web 爬取可以自动提取数据，并以一种让你可以轻松理解的格式显示出来。Web 爬取可以用于许多场景，但本教程将重点介绍它在金融市场中的应用。

如果你是一名狂热的投资者，每天获取收盘价可能是一件比较痛苦的事情，尤其是当你需要的信息需要查看多个网页才能找到的时候。我们将通过构建一个网络爬取器，从互联网上自动检索股票指数，简化数据提取。

准备

我们将使用 Python 作为爬取语言，并使用一个简单而强大的库 BeautifulSoup。

对于 Mac 用户而言，OS X 预装了 Python。打开终端，输入 python --version。你应该可以看到 Python 的版本是 2.7.x。
对于 Windows 用户，请通过官方网站安装 Python。

接下来，我们需要使用 pip（一个 Python 包管理工具）获取 BeautifulSoup 库。

在终端输入：

easy_install pip  pip install BeautifulSoup4

注意：如果你运行上述命令失败，试下在每一行前面加上 sudo。

基本概念

在一头扎进代码之前，让我们先了解下 HTML 的基本概念和一些爬取规则。

HTML 标签

如果你已经了解了 HTML 标签，大可以跳过这部分。

<!DOCTYPE html><html>    <head>    </head>    <body>        <h1> First Scraping </h1>        <p> Hello World </p>    <body></html>

这是 HTML 页面的基本语法。每个服务于网页里的一个块：

<!DOCTYPE html>：HTML 文档必须以类型声明开始。
HTML 文档包含在<html>和</htlm>之间。
HTML 文档的 meta 和 script 声明位于<head>和</head>之间。
HTML 的可视部分位于<body>和<body>标签之间。
标题的定义通过标签 <h1> 到 <h6> 。
段落使用 <p> 标签定义。

其他有用的标签还有超链接标签<a>、表格标签<table>、表格行标签<tr>、表格列标签<td>。

此外，HTML 标签有时带有 id 或 class 属性。id 属性为 HTML 标签指定一个惟一的 id，并且该值在 HTML 文档中必须是惟一的。class 属性用于为具有相同 class 的 HTML 标签定义相同的样式。我们可以使用这些 id 和 class 帮助定位我们想要的数据。

要了解关于 HTML 标签、 id 和 class 的信息，请查阅 W3Schools 教程。

爬取规则

你应该在爬取之前检查网站的条款和限制。请仔细阅读关于合法使用数据的声明。通常，你收集的数据不应用于商业目的。
用你的程序从网站请求数据时不要过激（也称为滥发），因为这可能会对网站造成破坏。确保你的程序以一种合理的方式运行（即表现得像个人）。每秒请求一个页面是很好的做法。
网站的布局可能会不时发生变化，所以一定要重新访问网站，并根据需要重写代码。

查看页面

作为例子，让我们看一个来自 Bloomberg Quote 网站的页面。

作为关注股票市场的人，我们希望从这个页面上获取指数名称（标准普尔 500）及其价格。首先，右键单击并打开浏览器检查器来查看网页。

尝试把鼠标悬停在价格上，你应该可以看到一个蓝框。单击它，就可以在浏览器控制台中选择相关的 HTML。

从中我们可以看到，价格位于多层 HTML 标签之中，即<div> → <div class="price-container up"> → <div>。

类似地，如果你将鼠标悬停并单击名称“S&P 500 Index”，就会看到它位于<div>和<h1>中。

现在，我们已经借助 class 标签知道了数据的唯一位置。

进入代码

现在，我们已经知道我们想要的数据在哪，我们可以开始编写 Web 爬取器了。现在，打开编辑器。

首先，我们需要导入我们将要用到的库。

# 导入库import urllib2from bs4 import BeautifulSoup

接下来，声明一个保存页面 URL 的变量。

# 指定 URLquote_page = ‘http://www.bloomberg.com/quote/SPX:IND'

然后，使用 Python urllib2 获取上述 URL 指向的 HTML 页面。

# 查询网站，将 HTML 返回给变量“page”page = urllib2.urlopen(quote_page)

最后，将页面解析成 BeautifulSoup 的格式，这样我们就可以使用 BeautifulSoup 处理它了。

# 取得 class 为 name 的 <div> 并获取它的值name_box = soup.find(‘h1’, attrs={‘class’: ‘name’})

现在，我们有一个包含页面 HTML 的变量 soup。从这里开始我们可以编写提取数据的代码了。

还记得我们需要的数据所独有的标签层次吗？BeautifulSoup 可以帮助我们进入这些层，并使用 find() 提取内容。在本例中，由于 HTML class 属性的名称在这个页面上是惟一的，所以我们可以简单地查询<div>。

# 取得 class 为 name 的 <div> 并获取它的值name_box = soup.find(‘h1’, attrs={‘class’: ‘name’})

在找到标签之后，我们就可以通过获取其 text 属性来获取数据。

name = name_box.text.strip() # strip() 用于移除字符串头尾的字符print name

类似地，我们也可以获取指数价格。

# 获取指数价格price_box = soup.find(‘div’, attrs={‘class’:’price’})price = price_box.textprint price

运行程序，你应该可以看到它给出了标准普尔 500 指数的价格。

导出到 Excel CSV

现在我们要保存获取到的数据了。Excel 逗号分隔格式是一个不错的选择。它可以在 Excel 中打开，这样你就可以看到数据并轻松地处理它。

但是首先，我们必须导入 Python csv 模块和 datetime 模块来获取记录日期。将以下代码插入导入部分。

import csvfrom datetime import datetime

在代码底部添加将数据写入 CSV 文件的代码。

# 用追加方式打开一个 CSV 文件，这样原有的数据就不会被擦除with open(‘index.csv’, ‘a’) as csv_file: writer = csv.writer(csv_file) writer.writerow([name, price, datetime.now()])

现在运行程序，你应该就可以导出到 index.csv 文件，然后你就可以用 Excel 打开，其中应该包含如下这行数据。

这样，你每天运行下这个程序就可以轻松获得标准普尔 500 指数的价格了，就不用在网站上翻来翻去了。

进一步探究（高级用法）多指数

对你而言，爬取一个指数并不够用，对吗？我们可以尝试下同时提取多个指数。

首先，将 quote_page 改成 URL 数组。

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

然后，将数据提取代码放入一个 for 循环，它会逐个处理数组中的 URL 并将所有数据以元组的形式保存到变量 data 中。

# 用于循环data = []for pg in quote_page:
# 查询网站，将 HTML 返回给变量“page”page = urllib2.urlopen(pg)
# 使用 BeautifulSoup 解析 HTML 页面，并将其保存在变量“soup”中soup = BeautifulSoup(page, ‘html.parser’)
# 取得 class 为 name 的 <div> 并获取它的值name_box = soup.find(‘h1’, attrs={‘class’: ‘name’})name = name_box.text.strip() # strip() 用于移除字符串头尾的字符
# 获取指数价格price_box = soup.find(‘div’, attrs={‘class’:’price’})price = price_box.text
# 将数据以元组的形式保存data.append((name, price))

修改数据保存部分，逐行保存数据，

# 用追加方式打开一个 CSV 文件，这样原有的数据就不会被擦除with open(‘index.csv’, ‘a’) as csv_file:writer = csv.writer(csv_file)
# for 循环for name, price in data:writer.writerow([name, price, datetime.now()])

运行这个程序，应该就可以同时提取两个指数了。

高级爬取技术

BeautifulSoup 非常简单，适合于小规模 Web 爬取。但是，如果你对更大规模的数据爬取感兴趣，就应该考虑下下面这些选项：

Scrapy 是一个非常强大的 Python 爬取框架。
尝试在你的代码中集成一些公共 API。数据检索的效率会远远高于爬取网页。例如，看看 Facebook Graph API ，它可以帮助你获得 Facebook 网页上没有显示的隐藏数据。
当数据变大时，考虑使用类似 MySQL 这样的数据库后端来存储数据。

采用 DRY 方法

DRY 的意思是“不要重复你自己”，试着像这个人一样自动化你的日常任务。还可以考虑其他一些有趣的项目，比如跟踪 Facebook 上朋友的活动时间（当然要征得他们的同意），或者在论坛上列出一些话题，并尝试自然语言处理（这是目前人工智能的热门话题）！如果有任何问题，请在下面留言。

更多相关文章

随机推荐