برنامج تجريف بايثون التعليمي على الويب - كيفية كشط البيانات من موقع ويب

Python هي لغة جميلة للتشفير بها. فهي تحتوي على نظام بيئي رائع للحزم ، وهناك ضوضاء أقل بكثير مما ستجده في اللغات الأخرى ، كما أنها سهلة الاستخدام للغاية.

يتم استخدام Python لعدد من الأشياء ، من تحليل البيانات إلى برمجة الخادم. وإحدى حالات الاستخدام المثيرة للبايثون هي Web Scraping.

في هذه المقالة ، سنغطي كيفية استخدام Python في تجريف الويب. سنعمل أيضًا من خلال دليل الفصل العملي الكامل أثناء تقدمنا.

ملاحظة: سنقوم بكشط صفحة الويب التي أستضيفها ، حتى نتمكن من تعلم الكشط عليها بأمان. لا تسمح العديد من الشركات بالكشط على مواقعها على الويب ، لذا فهذه طريقة جيدة للتعلم. فقط تأكد من التحقق قبل الكشط.

مقدمة في الفصل الدراسي كشط الويب

إذا كنت تريد الترميز ، فيمكنك استخدام هذا الفصل الدراسي المجاني المشفرالتي تتكون من مختبرات متعددة لمساعدتك في تعلم تجريف الويب. سيكون هذا تدريبًا عمليًا تعليميًا عمليًا على codedamn ، على غرار كيفية التعلم على freeCodeCamp.

في هذا الفصل الدراسي ، ستستخدم هذه الصفحة لاختبار تجريف الويب: //codedamn-classrooms.github.io/webscraper-python-codedamn-classroom-website/

يتكون هذا الفصل الدراسي من 7 معامل ، وستقوم بحل معمل في كل جزء من منشور المدونة هذا. سنستخدم Python 3.8 + BeautifulSoup 4 لكشط الويب.

الجزء 1: تحميل صفحات الويب مع "الطلب"

هذا هو الرابط إلى هذا المختبر.

و requestsتسمح وحدة منك أن ترسل طلبات HTTP باستخدام بيثون.

يقوم طلب HTTP بإرجاع كائن استجابة مع جميع بيانات الاستجابة (المحتوى والتشفير والحالة وما إلى ذلك). أحد الأمثلة على الحصول على HTML للصفحة:

import requests res = requests.get('//codedamn.com') print(res.text) print(res.status_code)

متطلبات النجاح:

  • احصل على محتويات عنوان URL التالي باستخدام requestsالوحدة النمطية: //codedamn-classrooms.github.io/webscraper-python-codedamn-classroom-website/
  • قم بتخزين استجابة النص (كما هو موضح أعلاه) في متغير يسمى txt
  • قم بتخزين رمز الحالة (كما هو موضح أعلاه) في متغير يسمى status
  • طباعة txtو statusباستخدام printوظيفة

بمجرد أن تفهم ما يحدث في الكود أعلاه ، فمن السهل جدًا تمرير هذا المختبر. إليك الحل لهذا المعمل:

import requests # Make a request to //codedamn-classrooms.github.io/webscraper-python-codedamn-classroom-website/ # Store the result in 'res' variable res = requests.get( '//codedamn-classrooms.github.io/webscraper-python-codedamn-classroom-website/') txt = res.text status = res.status_code print(txt, status) # print the result

دعنا ننتقل إلى الجزء 2 الآن حيث ستقوم ببناء المزيد فوق الكود الموجود لديك.

الجزء 2: استخراج العنوان باستخدام BeautifulSoup

هذا هو الرابط إلى هذا المختبر.

في هذا الفصل الدراسي بأكمله ، ستستخدم مكتبة تُدعى BeautifulSoupبلغة Python للقيام بكشط الويب. بعض الميزات التي تجعل BeautifulSoup حلاً فعالاً هي:

  1. إنه يوفر الكثير من الأساليب البسيطة والتعابير البيثونية للتنقل والبحث وتعديل شجرة DOM. لا يتطلب الأمر الكثير من التعليمات البرمجية لكتابة تطبيق
  2. يوجد حساء جميل على رأس موزعي بايثون المشهورين مثل lxml و html5lib ، مما يسمح لك بتجربة استراتيجيات تحليل مختلفة أو سرعة التداول من أجل المرونة.

في الأساس ، يمكن لـ BeautifulSoup تحليل أي شيء على الويب تقدمه له.

إليك مثال بسيط على BeautifulSoup:

from bs4 import BeautifulSoup page = requests.get("//codedamn.com") soup = BeautifulSoup(page.content, 'html.parser') title = soup.title.text # gets you the text of the (...)

متطلبات النجاح:

  • استخدم requestsالحزمة للحصول على عنوان URL: //codedamn-classrooms.github.io/webscraper-python-codedamn-classroom-website/
  • استخدم BeautifulSoup لتخزين عنوان هذه الصفحة في متغير يسمى page_title

بالنظر إلى المثال أعلاه ، يمكنك أن ترى بمجرد قيامنا بإطعام page.contentBeautifulSoup الداخلية ، يمكنك البدء في العمل مع شجرة DOM المحللة بطريقة بيثونية للغاية. سيكون الحل للمختبر:

import requests from bs4 import BeautifulSoup # Make a request to //codedamn-classrooms.github.io/webscraper-python-codedamn-classroom-website/ page = requests.get( "//codedamn-classrooms.github.io/webscraper-python-codedamn-classroom-website/") soup = BeautifulSoup(page.content, 'html.parser') # Extract title of page page_title = soup.title.text # print the result print(page_title)

كان هذا أيضًا معملًا بسيطًا حيث كان علينا تغيير عنوان URL وطباعة عنوان الصفحة. هذا الرمز سيمرر المعمل.

الجزء 3: حساء الجسم والرأس

هذا هو الرابط إلى هذا المختبر.

في المعمل الأخير ، رأيت كيف يمكنك استخراج titleالصفحة من الصفحة. من السهل أيضًا استخراج أقسام معينة.

لقد رأيت أيضًا أنه يتعين عليك الاتصال .textبها للحصول على السلسلة ، ولكن يمكنك طباعتها دون الاتصال .textأيضًا ، وسوف يمنحك الترميز الكامل. حاول تشغيل المثال أدناه:

import requests from bs4 import BeautifulSoup # Make a request page = requests.get( "//codedamn.com") soup = BeautifulSoup(page.content, 'html.parser') # Extract title of page page_title = soup.title.text # Extract body of page page_body = soup.body # Extract head of page page_head = soup.head # print the result print(page_body, page_head)

دعونا نلقي نظرة على كيف يمكنك استخراج خروج bodyو headمقاطع من صفحات موقعك.

متطلبات النجاح:

  • كرر التجربة مع URL: //codedamn-classrooms.github.io/webscraper-python-codedamn-classroom-website/
  • تخزين عنوان الصفحة (دون استدعاء نص.) من URL بتنسيق page_title
  • تخزين محتوى الجسم (دون استدعاء نص.) من URL بتنسيق page_body
  • تخزين المحتوى الرئيسي (بدون استدعاء نص.) من URL بتنسيق page_head

عندما تحاول طباعة page_bodyأو page_headسترى أنه تمت طباعتها بتنسيق strings. لكن في الواقع ، عندما print(type page_body)ترى أنها ليست سلسلة لكنها تعمل بشكل جيد.

سيكون حل هذا المثال بسيطًا ، بناءً على الكود أعلاه:

import requests from bs4 import BeautifulSoup # Make a request page = requests.get( "//codedamn-classrooms.github.io/webscraper-python-codedamn-classroom-website/") soup = BeautifulSoup(page.content, 'html.parser') # Extract title of page page_title = soup.title # Extract body of page page_body = soup.body # Extract head of page page_head = soup.head # print the result print(page_title, page_head)

الجزء 4: اختر مع BeautifulSoup

هذا هو الرابط إلى هذا المختبر.

الآن بعد أن استكشفت بعض أجزاء BeautifulSoup ، دعنا نلقي نظرة على كيفية تحديد عناصر DOM باستخدام طرق BeautifulSoup.

Once you have the soup variable (like previous labs), you can work with .select on it which is a CSS selector inside BeautifulSoup. That is, you can reach down the DOM tree just like how you will select elements with CSS. Let's look at an example:

import requests from bs4 import BeautifulSoup # Make a request page = requests.get( "//codedamn-classrooms.github.io/webscraper-python-codedamn-classroom-website/") soup = BeautifulSoup(page.content, 'html.parser') # Extract first 

(...)

text first_h1 = soup.select('h1')[0].text

.select returns a Python list of all the elements. This is why you selected only the first element here with the [0] index.

Passing requirements:

  • Create a variable all_h1_tags. Set it to empty list.
  • Use .select to select all the

    tags and store the text of those h1 inside all_h1_tags list.

  • Create a variable seventh_p_text and store the text of the 7th p element (index 6) inside.

The solution for this lab is:

import requests from bs4 import BeautifulSoup # Make a request page = requests.get( "//codedamn-classrooms.github.io/webscraper-python-codedamn-classroom-website/") soup = BeautifulSoup(page.content, 'html.parser') # Create all_h1_tags as empty list all_h1_tags = [] # Set all_h1_tags to all h1 tags of the soup for element in soup.select('h1'): all_h1_tags.append(element.text) # Create seventh_p_text and set it to 7th p element text of the page seventh_p_text = soup.select('p')[6].text print(all_h1_tags, seventh_p_text) 

Let's keep going.

Part 5: Top items being scraped right now

This is the link to this lab.

Let's go ahead and extract the top items scraped from the URL: //codedamn-classrooms.github.io/webscraper-python-codedamn-classroom-website/

If you open this page in a new tab, you’ll see some top items. In this lab, your task is to scrape out their names and store them in a list called top_items. You will also extract out the reviews for these items as well.

To pass this challenge, take care of the following things:

  • Use .select to extract the titles. (Hint: one selector for product titles could be a.title)
  • Use .select to extract the review count label for those product titles. (Hint: one selector for reviews could be div.ratings) Note: this is a complete label (i.e. 2 reviews) and not just a number.
  • Create a new dictionary in the format:
info = { "title": 'Asus AsusPro Adv... '.strip(), "review": '2 reviews\n\n\n'.strip() }
  • Note that you are using the strip method to remove any extra newlines/whitespaces you might have in the output. This is important to pass this lab.
  • Append this dictionary in a list called top_items
  • Print this list at the end

There are quite a few tasks to be done in this challenge. Let's take a look at the solution first and understand what is happening:

import requests from bs4 import BeautifulSoup # Make a request page = requests.get( "//codedamn-classrooms.github.io/webscraper-python-codedamn-classroom-website/") soup = BeautifulSoup(page.content, 'html.parser') # Create top_items as empty list top_items = [] # Extract and store in top_items according to instructions on the left products = soup.select('div.thumbnail') for elem in products: title = elem.select('h4 > a.title')[0].text review_label = elem.select('div.ratings')[0].text info = { "title": title.strip(), "review": review_label.strip() } top_items.append(info) print(top_items)

Note that this is only one of the solutions. You can attempt this in a different way too. In this solution:

  1. First of all you select all the div.thumbnail elements which gives you a list of individual products
  2. Then you iterate over them
  3. Because select allows you to chain over itself, you can use select again to get the title.
  4. Note that because you're running inside a loop for div.thumbnail already, the h4 > a.title selector would only give you one result, inside a list. You select that list's 0th element and extract out the text.
  5. Finally you strip any extra whitespace and append it to your list.

Straightforward right?

Part 6: Extracting Links

This is the link to this lab.

So far you have seen how you can extract the text, or rather innerText of elements. Let's now see how you can extract attributes by extracting links from the page.

Here’s an example of how to extract out all the image information from the page:

import requests from bs4 import BeautifulSoup # Make a request page = requests.get( "//codedamn-classrooms.github.io/webscraper-python-codedamn-classroom-website/") soup = BeautifulSoup(page.content, 'html.parser') # Create top_items as empty list image_data = [] # Extract and store in top_items according to instructions on the left images = soup.select('img') for image in images: src = image.get('src') alt = image.get('alt') image_data.append({"src": src, "alt": alt}) print(image_data)

In this lab, your task is to extract the href attribute of links with their text as well. Make sure of the following things:

  • You have to create a list called all_links
  • In this list, store all link dict information. It should be in the following format:
info = { "href": "", "text": "" }
  • Make sure your text is stripped of any whitespace
  • Make sure you check if your .text is None before you call .strip() on it.
  • Store all these dicts in the all_links
  • Print this list at the end

You are extracting the attribute values just like you extract values from a dict, using the get function. Let's take a look at the solution for this lab:

import requests from bs4 import BeautifulSoup # Make a request page = requests.get( "//codedamn-classrooms.github.io/webscraper-python-codedamn-classroom-website/") soup = BeautifulSoup(page.content, 'html.parser') # Create top_items as empty list all_links = [] # Extract and store in top_items according to instructions on the left links = soup.select('a') for ahref in links: text = ahref.text text = text.strip() if text is not None else '' href = ahref.get('href') href = href.strip() if href is not None else '' all_links.append({"href": href, "text": text}) print(all_links) 

Here, you extract the href attribute just like you did in the image case. The only thing you're doing is also checking if it is None. We want to set it to empty string, otherwise we want to strip the whitespace.

Part 7: Generating CSV from data

This is the link to this lab.

Finally, let's understand how you can generate CSV from a set of data. You will create a CSV with the following headings:

  1. Product Name
  2. Price
  3. Description
  4. Reviews
  5. Product Image

These products are located in the div.thumbnail. The CSV boilerplate is given below:

import requests from bs4 import BeautifulSoup import csv # Make a request page = requests.get( "//codedamn-classrooms.github.io/webscraper-python-codedamn-classroom-website/") soup = BeautifulSoup(page.content, 'html.parser') all_products = [] products = soup.select('div.thumbnail') for product in products: # TODO: Work print("Work on product here") keys = all_products[0].keys() with open('products.csv', 'w',) as output_file: dict_writer = csv.DictWriter(output_file, keys) dict_writer.writeheader() dict_writer.writerows(all_products) 

You have to extract data from the website and generate this CSV for the three products.

Passing Requirements:

  • Product Name is the whitespace trimmed version of the name of the item (example - Asus AsusPro Adv..)
  • Price is the whitespace trimmed but full price label of the product (example - $1101.83)
  • The description is the whitespace trimmed version of the product description (example - Asus AsusPro Advanced BU401LA-FA271G Dark Grey, 14", Core i5-4210U, 4GB, 128GB SSD, Win7 Pro)
  • Reviews are the whitespace trimmed version of the product (example - 7 reviews)
  • Product image is the URL (src attribute) of the image for a product (example - /webscraper-python-codedamn-classroom-website/cart2.png)
  • The name of the CSV file should be products.csv and should be stored in the same directory as your script.py file

Let's see the solution to this lab:

import requests from bs4 import BeautifulSoup import csv # Make a request page = requests.get( "//codedamn-classrooms.github.io/webscraper-python-codedamn-classroom-website/") soup = BeautifulSoup(page.content, 'html.parser') # Create top_items as empty list all_products = [] # Extract and store in top_items according to instructions on the left products = soup.select('div.thumbnail') for product in products: name = product.select('h4 > a')[0].text.strip() description = product.select('p.description')[0].text.strip() price = product.select('h4.price')[0].text.strip() reviews = product.select('div.ratings')[0].text.strip() image = product.select('img')[0].get('src') all_products.append({ "name": name, "description": description, "price": price, "reviews": reviews, "image": image }) keys = all_products[0].keys() with open('products.csv', 'w',) as output_file: dict_writer = csv.DictWriter(output_file, keys) dict_writer.writeheader() dict_writer.writerows(all_products) 

The for block is the most interesting here. You extract all the elements and attributes from what you've learned so far in all the labs.

When you run this code, you end up with a nice CSV file. And that's about all the basics of web scraping with BeautifulSoup!

Conclusion

I hope this interactive classroom from codedamn helped you understand the basics of web scraping with Python.

إذا أعجبك هذا الفصل وهذه المدونة ، فأخبرني عنها على Twitter و Instagram. احب ان اسمع ردود الفعل!