Wyciąganie danych ze stron - BeautifulSoup

W poprzednim wpisie zajęliśmy się wyciąganiem danych ze stron HTML za pomocą biblioteki dla Pythona o nazwie lxml. Dzisiaj jednak zajmiemy się inną biblioteką a mianowicie BeautifulSoup.

1. Skąd wziąć tę zupę?

Naszym pierwszym krokiem który należy wykonać jest zdobycie jej. Możemy ją pobrać za pomocą wielu repozytoriów w systemach Liniksopochodnych oraz za pomocą strony projektu.

2. Zupa jako jedno z dan?

Aby dodać Beautiful Soup do naszego projektu należy zaimportować bibliotekę

import BeautifulSoup

Następnym elementem jest wybrać źródło. Ja standardowo wybrałem stronę pobraną za pomocą urllib2 a później zainicjować dla przykładu używając:

zupa = BeautifulSoup.BeautifulSoup(dane)

gdzie zmienna zupa oznacza kontener którym się będziemy posługiwać dalej a dane oznaczają zmienną string z zawartością strony.

3. Własne danie na bazie zupy

Przejdźmy teraz do praktycznej części w której zajmiemy się kilkoma metodami wyciągania danych za pomocą BeautifulSoup.

3.1 Pobranie wszystkich tagów

To zadanie wykonuje funkcja :

BeautifulSoup.findAll(
         tag, # nazwa poszukiwanego taga
         atrybuty = {} #słownik atrybutów
          )

Zwraca ona listę struktur zawartych w danym tagu Dla przykładu pobierzemy strukture wewnątrz wszystkich tagów

zupa = BeautifulSoup.BeautifulSoup(dane) #inicjujemy użycie biblioteki

elementy = zupa.findAll('div') # wyszukujemy po określonym tagu
for element in elementy:
        print element #wyświetlamy strukture każdego diva

3.2 Pobranie jednego taga

To zadanie wykonuje funkcja :

BeautifulSoup.find(
         tag, # nazwa poszukiwanego taga
         atrybuty = {} #słownik atrybutów
          )

Zwraca ona zawartość jednego taga

Co jeśli jednak sama nazwa taga nam nie wystarczy do wyszukiwania odpowiedniego elementu ze struktury ?

Wtedy możemy zastosować drugi atrybut funkcji find i findAll w formacie:

{pierwszyatrybut:wartosc,drugiatrybug:wartosc}

4. Propozycja podania

Aby trochę pokazać na przykładzie jak operować tą biblioteką bierzemy na warsztat skrypt podobny do wczorajszego jednak go trochę ulepszymy:

import urllib2
import BeautifulSoup

def blog(uzytkownik):
	dane = urllib2.urlopen('http://www.dobreprogramy.pl/'+uzytkownik).read()

	zupa = BeautifulSoup.BeautifulSoup(dane)
	try:
		artykuly = zupa.findAll('article')
		for element in artykuly:
			tytul = element.find('a')
			czas =  element.find('time')
			print tytul.contents[0]
			print czas.contents[0]
	except AttributeError:
		print 'Ten uzytkownik nie prowadzi bloga'

blog('sylwek3100')
blog('ulth')

Zadanie skryptu to pobieranie tytułów i czasu elementów na blogu. Jednak w tym wypadku zabezpieczyliśmy skrypt przed użytkownikiem który może nie posiadać jeszcze żadnego wpisu wychwytując wyjątek AttributeError i dając komunikat w razie takowego wykrycia. Można zobaczyć to na przykładzie 2 użytkowników. Co jeśli jednak to nam nie wystarczy i będziemy chcieli pobrać jeszcze ilość komentarzy pod danym wpisem na blogu ?

Wykorzystujemy drugi parametr funkcji find i nim przekazujemy atrybuty danego taga w tym wypadku to wygląda tak:

komentarzy =  element.find('span',{'class':'text-h0'})
print komentarzy.contents[0]

Warto jednak zaznaczyć że dalej to musimy przechowywać w tej samej pętli co poprzednie elementy (tytuł, czas).

Jeśli masz jakieś wątpliwości daj znać w komentarzu.

Dziękuje wszystkim czytającym za cierpliwość i uwagę