Парсинг сайтов на Python: подробный видеокурс и программный код

МЕНЮ


Искусственный интеллект
Поиск
Регистрация на сайте
Помощь проекту

ТЕМЫ


Новости ИИРазработка ИИВнедрение ИИРабота разума и сознаниеМодель мозгаРобототехника, БПЛАТрансгуманизмОбработка текстаТеория эволюцииДополненная реальностьЖелезоКиберугрозыНаучный мирИТ индустрияРазработка ПОТеория информацииМатематикаЦифровая экономика

Авторизация



RSS


RSS новости


2019-08-01 22:00

разработка по

В видеокурсе из семи уроков описывается парсинг сайтов с различной структурой при помощи Python третьей версии, библиотек requests и BeautifulSoup.

Парсинг сайтов на Python

В этом видеокурсе Олег Молчанов подробно, не торопясь, рассказывает про парсинг сайтов при помощи Python 3. Раскрываются особенности парсинга многостраничных ресурсов, использования прокси с различными User-Agent, сохранения изображений и распознавания простого текста, а также быстрый мультипроцессорный парсинг сайтов.

В ряде случаев предлагаемые автором программные решения несколько устарели из-за изменения структуры страниц, подвергаемых парсингу. Автор курса не преследует цели создать идеальный парсер, а лишь излагает определенные концепции и иллюстрирует их примерами. Для облегчения вашей работы, мы привели исходные коды программ, набранные нами во время прохождения курса, с некоторыми поправками.

В уроке рассматривается мультипроцессорный парсинг на примере сайта CoinMarketCap.com. Сначала приводится пример однопоточного парсинга. Затем рассматривается, как модифицировать программу для реализации мультипроцессорного подхода при помощи библиотеки multiprocessing. Сравниваются временные интервалы, необходимые для парсинга в один и несколько потоков. Попутно рассказывается об экспорте данных в csv-файл.

Обратите внимание: для установки BeautifulSoup для Python 3 в видео указана неправильная команда. Правильный вариант: pip install beautifulsoup4 (либо для систем с двумя версиями Python: pip3 install beautifulsoup4).

Программный код при однопоточном парсинге:

Python

1

2

3

4

5

6

7

8

9

10

11

12

13

14

15

16

17

18

19

20

21

22

23

24

25

26

27

28

29

30

31

32

33

34

35

36

37

38

39

40

41

42

43

44

45

46

47

48

49

50

51

52

53

54

55

56

57

58

59

60

61

62

63

64

65

66

importcsv

fromdatetimeimportdatetime

importrequests

frombs4 importBeautifulSoup

defget_html(url):

response=requests.get(url)

returnresponse.text

defget_all_links(html):

soup=BeautifulSoup(html,'lxml')

tds=soup.find('table',id='currencies-all').find_all('td',class_='currency-name')

links=[]

fortd intds:

a=td.find('a',class_='currency-name-container').get('href')

link='https://coinmarketcap.com'+a

links.append(link)

returnlinks

deftext_before_word(text,word):

line=text.split(word)[0].strip()

returnline

defget_page_data(html):

soup=BeautifulSoup(html,'lxml')

try:

name=text_before_word(soup.find('title').text,'price')

except:

name=''

try:

price=text_before_word(soup.find('div',

class_='col-xs-6 col-sm-8 col-md-4 text-left').text,'USD')

except:

price=''

data={'name':name,

'price':price}

returndata

defwrite_csv(i,data):

withopen('coinmarketcap.csv','a')asf:

writer=csv.writer(f)

writer.writerow((data['name'],

data['price']))

print(i,data['name'],'parsed')

defmain():

start=datetime.now()

url='https://coinmarketcap.com/all/views/all'

all_links=get_all_links(get_html(url))

fori,link inenumerate(all_links):

html=get_html(link)

data=get_page_data(html)

write_csv(i,data)

end=datetime.now()

total=end-start

print(str(total))

a=input()

if__name__=='__main__':

main()

Программный код при использовании мультипроцессорного парсинга с 40 процессами:

Python

1

2

3

4

5

6

7

8

9

10

11

12

13

14

15

16

17

18

19

20

21

22

23

24

25

26

27

28

29

30

31

32

33

34

35

36

37

38

39

40

41

42

43

44

45

46

47

48

49

50

51

52

53

54

55

56

57

58

59

60

61

62

63

64

65

66

67

68

69

70

71

72

73

74

frommultiprocessingimportPool

importcsv

fromdatetimeimportdatetime

importrequests

frombs4 importBeautifulSoup

defget_html(url):

response=requests.get(url)

returnresponse.text

defget_all_links(html):

soup=BeautifulSoup(html,'lxml')

tds=soup.find('table',id='currencies-all').find_all('td',class_='currency-name')

links=[]

fortd intds:

a=td.find('a',class_='currency-name-container').get('href')

link='https://coinmarketcap.com'+a

links.append(link)

returnlinks

deftext_before_word(text,word):

line=text.split(word)[0].strip()

returnline

defget_page_data(html):

soup=BeautifulSoup(html,'lxml')

try:

name=text_before_word(soup.find('title').text,'price')

except:

name=''

try:

price=text_before_word(soup.find('div',

class_='col-xs-6 col-sm-8 col-md-4 text-left').text,'USD')

except:

price=''

data={'name':name,

'price':price}

returndata

defwrite_csv(data):

withopen('coinmarketcap.csv','a')asf:

writer=csv.writer(f)

writer.writerow((data['name'],

data['price']))

print(data['name'],'parsed')

defmake_all(link):

html=get_html(link)

data=get_page_data(html)

write_csv(data)

defmain():

start=datetime.now()

url='https://coinmarketcap.com/all/views/all'

all_links=get_all_links(get_html(url))

withPool(40)asp:

p.map(make_all,all_links)

end=datetime.now()

total=end-start

print(str(total))

a=input()

if__name__=='__main__':

main()

Характерные времена могут разниться в зависимости от оборудования и текущего состояния сайта.

Во втором уроке рассматривается извлечение информации с многостраничного сайта по типу Avito.ru. В качестве примера берется задача поиска телефона по названию фирмы изготовителя с выводом названия товара, цены, ближайшей станции метро и ссылки объявления. Показывается простейший способ фильтрации нерелевантных блоков.

Обратите внимание: при многостраничном парсинге таких сайтов, как Avito.ru, ваш IP может быть временно забанен на совершение парсинга.

Python

1

2

3

4

5

6

7

8

9

10

11

12

13

14

15

16

17

18

19

20

21

22

23

24

25

26

27

28

29

30

31

32

33

34

35

36

37

38

39

40

41

42

43

44

45

46

47

48

49

50

51

52

53

54

55

56

57

58

59

60

61

62

63

64

65

66

67

68

69

70

71

72

73

74

75

76

77

importrequests

frombs4 importBeautifulSoup

importcsv

defget_html(url):

r=requests.get(url)

returnr.text

defget_total_pages(html):

soup=BeautifulSoup(html,'lxml')

divs=soup.find('div',class_='pagination-pages clearfix')

pages=divs.find_all('a',class_='pagination-page')[-1].get('href')

total_pages=pages.split('=')[1].split('&')[0]

returnint(total_pages)

defwrite_csv(data):

withopen('avito.csv','a')asf:

writer=csv.writer(f)

writer.writerow((data['title'],

data['price'],

data['metro'],

data['url']))

defget_page_data(html):

soup=BeautifulSoup(html,'lxml')

divs=soup.find('div',class_='catalog-list')

ads=divs.find_all('div',class_='item_table')

forad inads:

try:

div=ad.find('div',class_='description').find('h3')

if'htc'notindiv.text.lower():

continue

else:

title=div.text.strip()

except:

title=''

try:

div=ad.find('div',class_='description').find('h3')

url="https://avito.ru"+div.find('a').get('href')

except:

url=''

try:

price=ad.find('div',class_='about').text.strip()

except:

price=''

try:

div=ad.find('div',class_='data')

metro=div.find_all('p')[-1].text.strip()

except:

metro=''

data={'title':title,

'price':price,

'metro':metro,

'url':url}

write_csv(data)

defmain():

url="https://avito.ru/moskva/telefony?p=1&q=htc"

base_url="https://avito.ru/moskva/telefony?"

page_part="p="

query_par="&q=htc"

# total_pages = get_total_pages(get_html(url))

foriinrange(1,3):

url_gen=base_url+page_part+str(i)+query_par

html=get_html(url_gen)

get_page_data(html)

if__name__=='__main__':

main()

Во второй части видео о парсинге Avito внимание фокусируется на совмещении парсинга с извлечением информации из изображений. Для этой задачи вместо библиотеки BeautifulSoup используется библиотека Selenium, работающая непосредственно с браузером на вашем компьютере. Для совместной работы может потребоваться файл драйвера браузера. Захват изображений и преобразование в текстовые строки осуществляется при помощи библиотек pillow и pytesseract.

Python

1

2

3

4

5

6

7

8

9

10

11

12

13

14

15

16

17

18

19

20

21

22

23

24

25

26

27

28

29

30

31

32

33

34

35

36

37

38

39

40

41

42

43

44

45

46

47

48

49

50

51

52

53

54

fromselenium importwebdriver

fromtimeimportsleep

fromPIL importImage

frompytesseract importimage_to_string

classBot:

def__init__(self):

self.driver=webdriver.Chrome()# or Firefox() or smth else

self.navigate()

deftake_screenshot(self):

self.driver.save_screenshot('avito_screenshot.png')

deftel_recon(self):

image=Image.open('tel.gif')

print(image_to_string(image))

defcrop(self,location,size):

image=Image.open('avito_screenshot.png')

x=location['x']

y=location['y']

width=size['width']

height=size['height']

image.crop((x,y,x+width,y+height)).save('tel.gif')

self.tel_recon()

defnavigate(self):

self.driver.get('https://www.avito.ru/velikie_luki/telefony/lenovo_a319_1161088336')

button=self.driver.find_element_by_xpath(

'//button[@class="button item-phone-button js-item-phone-button

button-origin button-origin-blue button-origin_full-width

button-origin_large-extra item-phone-button_hide-phone

item-phone-button_card js-item-phone-button_card"]')

button.click()

sleep(3)

self.take_screenshot()

image=self.driver.find_element_by_xpath(

'//div[@class="item-phone-big-number js-item-phone-big-number"]//*')

location=image.location

size=image.size

self.crop(location,size)

defmain():

b=Bot()

if__name__=='__main__':

main()

В этом видео на более абстрактном примере локальной страницы даны дополнительные примеры работы методов find и find_all библиотеки BeautifulSoup. Показывается, как находить включающие информацию блоки при помощи методов parentfind_parent и find_parents. Описаны особенности работы методов next_element и next_sibling, упрощающих поиск данных в пределах одного раздела. В конце видео рассматривается, как сочетать поиск в BeautifulSoup с регулярными выражениями.

В пятом видео анализируется основной прием, помогающий избежать при парсинге бана или появления капчи посредством использования прокси-сервера с меняющимся адресом и изменения параметра User-Agent. Демонстрируется пример использования метода find_next_sibling. Рассмотрена передача IP и User-Agent при запросе библиотеки requests. Для использования актуального списка доступных прокси-серверов мы рекомендуем дополнить код парсером соответствующего сайта (в видео используются заранее подготовленные файлы со списками прокси и браузерных агентов).

Python

1

2

3

4

5

6

7

8

9

10

11

12

13

14

15

16

17

18

19

20

21

22

23

24

25

26

27

28

29

30

31

32

33

34

35

36

37

38

39

40

41

42

43

importrequests

frombs4 importBeautifulSoup

fromrandomimportchoice,uniform

fromtimeimportsleep

defget_html(url,useragent=None,proxy=None):

print('get_html')

r=requests.get(url,headers=useragent,proxies=proxy)

returnr.text

defget_ip(html):

print('get_ip')

print('New Proxy & User-Agent:')

soup=BeautifulSoup(html,'lxml')

ip=soup.find('span',class_='ip').text.strip()

ua=soup.find('span',class_='ip').find_next_sibling('span').text.strip()

print(ip)

print(ua)

print('---------------------------')

defmain():

url='https://sitespy.ru/my-ip'

useragents=open('useragents.txt').read().split(' ')

proxies=open('proxies.txt').read().split(' ')

foriinrange(10):

# sleep(uniform(3, 6))

proxy={'http':'http://'+choice(proxies)}

useragent={'User-Agent':choice(useragents)}

try:

html=get_html(url,useragent,proxy)

except:

continue

get_ip(html)

if__name__=='__main__':

main()

В этом видеоуроке на примере двух сайтов объясняется, как обрабатывать сайты с ошибками или сайты, сделанные непрофессионалами. Первый ресурс https://us-proxy.org/ представляет пример сайта, который выглядит как многостраничный, но это лишь видимость – все данные загружаются на главную страницу при первом обращении к сайту. Во втором примере в структуре блога http://startapy.ru/ используется три вертикальных списка с необычным горизонтальным смещением размещаемых блоков при добавлении новых публикаций. В видеоуроке показано, как средства анализа браузеров в связи с некорректной версткой могут вводить нас в заблуждение, при том что BeautifulSoup отображает и использует исправленный вариант.

На примере сайта со свободными изображениями для фона рабочего стола https://www.hdwallpapers.in/ показывается процедура загрузки изображений с сайта – каждого в отдельную папку. Используются только библиотеки os (для работы с заданием пути сохранения файла) и requests. Показывается работа с блочной загрузкой файлов посредством метода iter_content.

Python

1

2

3

4

5

6

7

8

9

10

11

12

13

14

15

16

17

18

19

20

21

22

23

24

25

26

27

28

29

30

31

32

33

34

35

36

37

38

39

40

41

42

43

44

importos

importrequests

# url = 'https://www.hdwallpapers.in/thumbs/2018/spiral_silver_metal-t1.jpg'

# r = requests.get(url, stream=True)    # stream for partial download

# with open('1.jpg', 'bw') as f:

#     for chunk in r.iter_content(8192):

#         f.write(chunk)

urls=[

'https://www.hdwallpapers.in/walls/messier_106_spiral_galaxy_5k-wide.jpg',

'https://www.hdwallpapers.in/walls/helix_nebula_5k-wide.jpg',

'https://www.hdwallpapers.in/walls/orion_nebula_hubble_space_telescope_5k-wide.jpg',

'https://www.hdwallpapers.in/walls/solar_space-wide.jpg'

]

defget_file(url):

r=requests.get(url,stream=True)

returnr

defget_name(url):

name=url.split('/')[-1]

folder=name.split('.')[0]

ifnotos.path.exists(folder):

os.makedirs(folder)

path=os.path.abspath(folder)

returnpath+'/'+name

defsave_image(name,file_object):

withopen(name,'bw')asf:

forchunkinfile_object.iter_content(8192):

f.write(chunk)

defmain():

forurl inurls:

save_image(get_name(url),get_file(url))

if__name__=='__main__':

main()


Источник: proglib.io

Комментарии: