Як зішкребти веб-сайти за допомогою Python та BeautifulSoup

В Інтернеті є більше інформації, ніж будь-яка людина може сприйняти за все життя. Вам потрібен не доступ до цієї інформації, а масштабований спосіб її збору, організації та аналізу.

Вам потрібно зішкріб з Інтернету.

Веб-скрапінг автоматично витягує дані та подає їх у форматі, який ви можете легко зрозуміти. У цьому навчальному посібнику ми зосередимося на його застосуванні на фінансовому ринку, але веб-скрапінг може бути використаний у найрізноманітніших ситуаціях.

Якщо ви завзятий інвестор, отримувати ціни на закриття щодня може бути неприємно, особливо коли потрібна інформація знаходиться на кількох веб-сторінках. Ми спростимо витяг даних, створивши веб-скрепер для автоматичного отримання фондових індексів з Інтернету.

Починаємо

Ми збираємось використовувати Python як нашу мову скрапування разом із простою і потужною бібліотекою BeautifulSoup.

  • Для користувачів Mac, Python попередньо встановлений в OS X. Відкрийте термінал і введіть python --version. Ви повинні побачити, що ваша версія python - 2.7.x.
  • Для користувачів Windows, будь ласка, встановіть Python через офіційний веб-сайт.

Далі нам потрібно отримати бібліотеку BeautifulSoup, використовуючи pipінструмент управління пакетами для Python.

У терміналі введіть:

easy_install pip pip install BeautifulSoup4

Примітка : Якщо вам не вдається виконати наведений вище командний рядок, спробуйте додати sudoперед кожним рядком.

Основи

Перш ніж ми почнемо переходити до коду, давайте розберемося з основами HTML та деякими правилами вискоблювання.

Теги HTML

Якщо ви вже розумієте HTML-теги, сміливо пропускайте цю частину.

First Scraping

Hello World

Це основний синтаксис веб-сторінки HTML. Кожен обслуговує блок усередині веб-сторінки:

1 .: Документи HTML повинні починатися з декларації типу.

2. Документ HTML міститься між і .

3. Мета і сценарій оголошення HTML-документа знаходиться між і .

4. Видима частина документа HTML знаходиться між і тегами.

5. Заголовки заголовків визначаються символом

Original text


через

теги.

6. Абзаци визначаються символом

Other useful tags include for hyperlinks,

for tables, for table rows, and
для стовпців таблиці.

Крім того, HTML-теги іноді мають idабо classатрибути. idАтрибут визначає унікальний ідентифікатор для HTML тега і значення має бути унікальним в межах HTML - документа. classАтрибут використовується для визначення однакових стилів для HTML - тегів з тим же класом. Ми можемо використовувати ці ідентифікатори та класи, щоб допомогти нам знайти потрібні дані.

Для отримання додаткової інформації щодо тегів HTML, ідентифікатора та класу, будь ласка, зверніться до W3Schools Tutorials.

Правила вишкрібання

  1. Ви повинні перевірити Загальні положення та умови веб-сайту, перш ніж скребувати його. Будьте обережні, читаючи заяви про законне використання даних. Зазвичай дані, які ви витираєте, не слід використовувати в комерційних цілях.
  2. Не вимагайте даних із веб-сайту занадто агресивно з вашою програмою (також відомою як спам), оскільки це може зламати веб-сайт. Переконайтеся, що ваша програма поводиться розумно (тобто поводиться як людина). Один запит на одну веб-сторінку в секунду - хороша практика.
  3. Макет веб-сайту може час від часу змінюватися, тому переконайтеся, що ви знову відвідуєте сайт і за необхідності переписуєте свій код

Огляд сторінки

Візьмемо для прикладу одну сторінку з веб-сайту Bloomberg Quote.

Як хтось, хто стежить за фондовим ринком, ми хотіли б отримати назву індексу (S&P 500) та його ціну на цій сторінці. Спочатку клацніть правою кнопкою миші та відкрийте інспектор браузера, щоб перевірити веб-сторінку.

Спробуйте навести курсор на ціну, і ви зможете побачити синє поле навколо нього. Якщо клацнути на ньому, відповідний HTML буде вибраний на консолі браузера.

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.