beautifulsoup爬取网页中的表格

来自公众号：优达学城Udacity
作者：Kerry Parker
编译：欧剃

作为数据科学家的第一个任务，就是做网页爬取。那时候，我对使用代码从网站上获取数据这项技术完全一无所知，它偏偏又是最有逻辑性并且最容易获得的数据来源。在几次尝试之后，网页爬取对我来说就几乎是种本能行为了。如今，它更成为了我几乎每天都要用到的少数几个技术之一。

在今天的文章中，我将会用几个简单的例子，向大家展示如何爬取一个网站——比如从 Fast Track 上获取 2018 年 100 强企业的信息。用脚本将获取信息的过程自动化，不但能节省手动整理的时间，还能将所有企业数据整理在一个结构化的文件里，方便进一步分析查询。

太长不看版：如果你只是想要一个最基本的 Python 爬虫程序的示例代码，本文中所用到的全部代码都放在 GitHub (https://github.com/kaparker/tutorials/blob/master/pythonscraper/websitescrapefasttrack.py)，欢迎自取。

准备工作

每一次打算用 Python 搞点什么的时候，你问的第一个问题应该是：“我需要用到什么库”。

网页爬取方面，有好几个不同的库可以用，包括：

Beautiful Soup
Requests
Scrapy
Selenium

今天我们打算用 Beautiful Soup 库。你只需要用 pip(Python包管理工具)就能很方便地将它装到电脑上：

安装完毕之后，我们就可以开始啦！

检查网页

为了明确要抓取网页中的什么元素，你需要先检查一下网页的结构。

以 Tech Track 100强企业(https://link.zhihu.com/?target=http%3A//www.fasttrack.co.uk/league-tables/tech-track-100/league-table/) 这个页面为例，你在表格上点右键，选择“检查”。在弹出的“开发者工具”中，我们就能看到页面中的每个元素，以及其中包含的内容。

右键点击你想要查看的网页元素，选择“检查”，就能看到具体的 HTML 元素内容

既然数据都保存在表格里，那么只需要简单的几行代码就能直接获取到完整信息。如果你希望自己练习爬网页内容，这就是一个挺不错的范例。但请记住，实际情况往往不会这么简单。

这个例子里，所有的100个结果都包含在同一个页面中，还被 标签分隔成行。但实际抓取过程中，许多数据往往分布在多个不同的页面上，你需要调整每页显示的结果总数，或者遍历所有的页面，才能抓取到完整的数据。

在表格页面上，你可以看到一个包含了所有100条数据的表格，右键点击它，选择“检查”，你就能很容易地看到这个 HTML 表格的结构。包含内容的表格本体是在这样的标签里：

每一行都是在一个标签里，也就是我们不需要太复杂的代码，只需要一个循环，就能读取到所有的表格数据，并保存到文件里。

附注：你还可以通过检查当前页面是否发送了 HTTP GET 请求，并获取这个请求的返回值，来获取显示在页面上的信息。因为 HTTP GET 请求经常能返回已经结构化的数据，比如 JSON 或者 XML 格式的数据，方便后续处理。你可以在开发者工具里点击 Network 分类(有必要的话可以仅查看其中的 XHR 标签的内容)。这时你可以刷新一下页面，于是所有在页面上载入的请求和返回的内容都会在 Network 中列出。此外，你还可以用某种 REST 客户端(比如 Insomnia)来发起请求，并输出返回值。

用 Beautiful Soup 库处理网页的 HTML 内容

在熟悉了网页的结构，了解了需要抓取的内容之后，我们终于要拿起代码开工啦～

首先要做的是导入代码中需要用到的各种模块。上面我们已经提到过 BeautifulSoup，这个模块可以帮我们处理 HTML 结构。接下来要导入的模块还有 urllib，它负责连接到目标地址，并获取网页内容。最后，我们需要能把数据写入 CSV 文件，保存在本地硬盘上的功能，所以我们要导入 csv库。当然这不是唯一的选择，如果你想要把数据保存成 json 文件，那相应的就需要导入 json 库。

下一步我们需要准备好需要爬取的目标网址。正如上面讨论过的，这个网页上已经包含了所有我们需要的内容，所以我们只需要把完整的网址复制下来，赋值给变量就行了：

接下来，我们就可以用 urllib 连上这个URL，把内容保存在 page 变量里，然后用 BeautifulSoup 来处理页面，把处理结果存在 soup 变量里：

这时候，你可以试着把 soup 变量打印出来，看看里面已经处理过的 html 数据长什么样：

如果变量内容是空的，或者返回了什么错误信息，则说明可能没有正确获取到网页数据。你也许需要用一些错误捕获代码，配合 urllib.error (https://docs.python.org/3/library/urllib.error.html)模块，来发现可能存在的问题。

`查找 HTML 元素`

既然所有的内容都在表格里(

 标签)，我们可以在 soup 对象里搜索需要的表格，然后再用 find_all 方法，遍历表格中的每一行数据。

如果你试着打印出所有的行，那应该会有 101 行 —— 100 行内容，加上一行表头。

看看打印出来的内容，如果没问题的话，我们就可以用一个循环来获取所有数据啦。

如果你打印出 soup 对象的前 2 行，你可以看到，每一行的结构是这样的：

可以看到，表格中总共有 8 列，分别是 Rank(排名)、Company(公司)、Location(地址)、Year End(财年结束)、Annual Sales Rise(年度销售增长)、Latest Sales(本年度销售额)、Staff(员工数)和 Comments(备注)。

这些都是我们所需要的数据。

这样的结构在整个网页中都保持一致(不过在其他网站上可能就没这么简单了！)，所以我们可以再次使用 find_all 方法，通过搜索元素，逐行提取出数据，存储在变量中，方便之后写入 csv 或 json 文件。

循环遍历所有的元素并存储在变量中

在 Python 里，如果要处理大量数据，还需要写入文件，那列表对象是很有用的。我们可以先声明一个空列表，填入最初的表头(方便以后CSV文件使用)，而之后的数据只需要调用列表对象的 append 方法即可。

这样就将打印出我们刚刚加到列表对象 rows 中的第一行表头。

你可能会注意到，我输入的表头中比网页上的表格多写了几个列名，比如 Webpage(网页)和 Description(描述)，请仔细看看上面打印出的 soup 变量数据——第二行第二列的数据里，可不只有公司名字，还有公司的网址和简单描述。所以我们需要这些额外的列来存储这些数据。

下一步，我们遍历所有100行数据，提取内容，并保存到列表中。

循环读取数据的方法：

因为数据的第一行是 html 表格的表头，所以我们可以跳过不用读取它。因为表头用的是标签，没有用标签，所以我们只要简单地查询标签内的数据，并且抛弃空值即可。

接着，我们将 data 的内容读取出来，赋值到变量中：

如上面的代码所示，我们按顺序将 8 个列里的内容，存储到 8 个变量中。当然，有些数据的内容还需有额外的清理，去除多余的字符，导出所需的数据。

数据清理

如果我们打印出 company 变量的内容，就能发现，它不但包含了公司名称，还包括和描述。如果我们打印出 sales 变量的内容，就能发现它还包括一些备注符号等需要清除的字符。

我们希望把 company 变量的内容分割成公司名称和描述两部分。这用几行代码就能搞定。再看看对应的 html 代码，你会发现这个单元格里还有一个元素，这个元素里只有公司名称。另外，还有一个链接元素，包含一个指向该公司详情页面的链接。我们一会也会用到它！

为了区分公司名称和描述两个字段，我们再用 find 方法把元素里的内容读取出来，然后删掉或替换 company 变量中的对应内容，这样变量里就只会留下描述了。

要删除 sales 变量中的多余字符，我们用一次 strip 方法即可。

最后我们要保存的是公司网站的链接。就像上面说的，第二列中有一个指向该公司详情页面的链接。每一个公司的详情页都有一个表格，大部分情况下，表格里都有一个公司网站的链接。

检查公司详情页里，表格中的链接

为了抓取每个表格中的网址，并保存到变量里，我们需要执行以下几个步骤：

在最初的 fast track 网页上，找到需要访问的公司详情页的链接。

发起一个对公司详情页链接的请求

用 Beautifulsoup 处理一下获得的 html 数据

找到需要的链接元素

正如上面的截图那样，看过几个公司详情页之后，你就会发现，公司的网址基本上就在表格的最后一行。所以我们可以在表格的最后一行里找元素。

同样，有可能出现最后一行没有链接的情况。所以我们增加了 try... except 语句，如果没有发现网址，则将变量设置成 None。当我们把所有需要的数据都存在变量中的以后(还在循环体内部)，我们可以把所有变量整合成一个列表，再把这个列表 append 到上面我们初始化的 rows 对象的末尾。