web-dev-qa-db-ja.com

beautifulSoup、Pythonを使用してh3およびdivタグのテキストをスクレイピングする

私はpython、BeautifulSoup、Seleniumなどの経験はありませんが、ウェブサイトからデータをこすり取り、csvファイルとして保存したいと思っています。必要なデータの単一のサンプルは、次のようにコード化されています（データの単一行）。

<div class="box effect">
<div class="row">
<div class="col-lg-10">
    <h3>HEADING</h3>
        <div><i class="fa user"></i>&nbsp;&nbsp;NAME</div>
        <div><i class="fa phone"></i>&nbsp;&nbsp;MOBILE</div>
        <div><i class="fa mobile-phone fa-2"></i>&nbsp;&nbsp;&nbsp;NUMBER</div>
        <div><i class="fa address"></i>&nbsp;&nbsp;&nbsp;XYZ_ADDRESS</div>
    <div class="space">&nbsp;</div>

<div style="padding:10px;padding-left:0px;"><a class="btn btn-primary btn-sm" href="www.link_to_another_page.com"><i class="fa search-plus"></i> &nbsp;more info</a></div>

</div>
<div class="col-lg-2">

</div>
</div>
</div>

私が必要とする出力はHeading,NAME,MOBILE,NUMBER,XYZ_ADDRESS

これらのデータにはまだIDまたはクラスがなく、一般的なテキストとしてWebサイトにあることがわかりました。私はBeautifulSoupとPython Seleniumを別々に試しています。チュートリアルは見られなかったので、両方の方法で抽出するのに行き詰まり、これらとタグからテキストを抽出するように案内されました

BeautifulSoupを使用する私のコード

import urllib2
from bs4 import BeautifulSoup
import requests
import csv

MAX = 2

'''with open("lg.csv", "a") as f:
  w=csv.writer(f)'''
##for i in range(1,MAX+1)
url="http://www.example_site.com"

page=requests.get(url)
soup = BeautifulSoup(page.content,"html.parser")

for h in soup.find_all('h3'):
    print(h.get('h3'))

私のSeleniumコード

import csv
from Selenium import webdriver
MAX_PAGE_NUM = 2
driver = webdriver.Firefox()
for i in range(1, MAX_PAGE_NUM+1):
  url = "http://www.example_site.com"
  driver.get(url)
  name = driver.find_elements_by_xpath('//div[@class = "col-lg-10"]/h3')
  #contact = driver.find_elements_by_xpath('//span[@class="item-price"]')
#  phone = 
#  mobile = 
#  address =
#  print(len(buyers))
#  num_page_items = len(buyers)
#  with open('res.csv','a') as f:
#    for i in range(num_page_items):
#      f.write(buyers[i].text + "," + prices[i].text + "\n")
  print (name)          
driver.close()
pythonhtmlseleniumbeautifulsoupweb-crawler
6
Revaapriyan

CSSセレクターを使用して、必要なデータを見つけることができます。あなたの場合、div > h3 ~ divは、div要素の内部に直接あり、h3要素が後に続くすべてのdiv要素を検索します。

import bs4

page= """
<div class="box effect">
<div class="row">
<div class="col-lg-10">
    <h3>HEADING</h3>
    <div><i class="fa user"></i>&nbsp;&nbsp;NAME</div>
    <div><i class="fa phone"></i>&nbsp;&nbsp;MOBILE</div>
    <div><i class="fa mobile-phone fa-2"></i>&nbsp;&nbsp;&nbsp;NUMBER</div>
    <div><i class="fa address"></i>&nbsp;&nbsp;&nbsp;XYZ_ADDRESS</div>
</div>
</div>
</div>
"""

soup = bs4.BeautifulSoup(page, 'lxml')

# find all div elements that are inside a div element
# and are proceeded by an h3 element
selector = 'div > h3 ~ div'

# find elements that contain the data we want
found = soup.select(selector)

# Extract data from the found elements
data = [x.text.split(';')[-1].strip() for x in found]

for x in data:
    print(x)

編集：見出しのテキストをこする。

heading = soup.find('h3') 
heading_data = heading.text
print(heading_data)

編集：または、次のようなセレクターを使用して、見出しとその他のdiv要素を一度に取得できます：div.col-lg-10 > *。これにより、col-lg-10クラスに属するdiv要素内のすべての要素が検索されます。

soup = bs4.BeautifulSoup(page, 'lxml')

# find all elements inside a div element of class col-lg-10
selector = 'div.col-lg-10 > *'

# find elements that contain the data we want
found = soup.select(selector)

# Extract data from the found elements
data = [x.text.split(';')[-1].strip() for x in found]

for x in data:
    print(x)
7
Anonta

これを試して：

import urllib2
from bs4 import BeautifulSoup
import requests
import csv

MAX = 2

'''with open("lg.csv", "a") as f:
  w=csv.writer(f)'''
##for i in range(1,MAX+1)
url="http://www.example_site.com"

page=requests.get(url)
soup = BeautifulSoup(page,"html.parser")

print(soup.text)
1
llompalles