Красивый суп – не удалось создать csv и текстовые файлы после очистки

Я пытаюсь извлечь URL-адреса статей со всех страниц веб-сайта. Только URL-адреса на первой странице неоднократно очищаются и сохраняются в файле csv. Информация из этих ссылок снова очищается одинаково и сохраняется в текстовом файле.

Нужна помощь в этом вопросе.

import requests from bs4 import BeautifulSoup import csv import lxml import urllib2 base_url = 'https://www.marketingweek.com/?s=big+data' response = requests.get(base_url) soup = BeautifulSoup(response.content, "lxml") res = [] while 1: search_results = soup.find('div', class_='archive-constraint') #localizing search window with article links article_link_tags = search_results.findAll('a') #ordinary scheme goes further res.append([url['href'] for url in article_link_tags]) #Automatically clicks next button to load other articles next_button = soup.find('a', text='>>') #Searches for articles till Next button is not found if not next_button: break res.append([url['href'] for url in article_link_tags]) soup = BeautifulSoup(response.text, "lxml") for i in res: for j in i: print(j) ####Storing scraped links in csv file### with open('StoreUrl1.csv', 'w+') as f: f.seek(0) for i in res: for j in i: f.write('\n'.join(i)) #######Extracting info from URLs######## with open('StoreUrl1.csv', 'rb') as f1: f1.seek(0) reader = csv.reader(f1) for line in reader: url = line[0] soup = BeautifulSoup(urllib2.urlopen(url), "lxml") with open('InfoOutput1.txt', 'a+') as f2: for tag in soup.find_all('p'): f2.write(tag.text.encode('utf-8') + '\n')

3 Solutions collect form web for “Красивый суп – не удалось создать csv и текстовые файлы после очистки”

Решение с использованием html-анализатора lxml.

Есть 361 страница, и на каждой странице у нас есть 12 ссылок. Мы можем перебирать каждую страницу и извлекать ссылки с помощью xpath.

xpath помогает в получении:

Текст под определенным тегом

Значение конкретного тега (здесь: значение атрибута 'href' тега 'a')

 import csv from lxml import html from time import sleep import requests from random import randint outputFile = open("All_links.csv", r'wb') fileWriter = csv.writer(outputFile) fileWriter.writerow(["Sl. No.", "Page Number", "Link"]) url1 = 'https://www.marketingweek.com/page/' url2 = '/?s=big+data' sl_no = 1 #iterating from 1st page through 361th page for i in xrange(1, 362): #generating final url to be scraped using page number url = url1 + str(i) + url2 #Fetching page response = requests.get(url) sleep(randint(10, 20)) #using html parser htmlContent = html.fromstring(response.content) #Capturing all 'a' tags under h2 tag with class 'hentry-title entry-title' page_links = htmlContent.xpath('//div[@class = "archive-constraint"]//h2[@class = "hentry-title entry-title"]/a/@href') for page_link in page_links: fileWriter.writerow([sl_no, i, page_link]) sl_no += 1

Я только исцелил часть сбора URL:

 import requests from bs4 import BeautifulSoup next_button = 'https://www.marketingweek.com/page/1/?s=big+data' res = [] while 1: response = requests.get(next_button) soup = BeautifulSoup(response.text, "lxml") search_results = soup.find('div', class_='archive-constraint') #localizing search window with article links article_link_tags = search_results.findAll('a') #ordinary scheme goes further #added duplication drop from list of urls row = [url['href'] for url in article_link_tags] row = list(set(row)) res.append(row) #Automatically clicks next button to load other articles next_button = soup.find('a', class_='next page-numbers') #Searches for articles till Next button is not found if not next_button: break next_button = next_button['href'] for i in res: for j in i: print(j)

EDIT : первая версия кода, на которой блокируется бокс-блокиратор на сайте. Эти исправления, приведенные ниже, могут помочь (для 100% -ной уверенности вам нужно знать, как блокировщик ботов работает на сайте). Я добавил случайный sleep от 5 до 30 секунд и случайный user-agent (только пользовательские пользовательские агенты) в запросах на сайт, чтобы пропустить блокировку:

 import numpy as np import time import requests from bs4 import BeautifulSoup user_agents = {0: 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/42.0.2311.135 Safari/537.36 Edge/12.246', 1: 'Mozilla/5.0 (X11; CrOS x86_64 8172.45.0) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/51.0.2704.64 Safari/537.36', 2: 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_11_2) AppleWebKit/601.3.9 (KHTML, like Gecko) Version/9.0.2 Safari/601.3.9', 3: 'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/47.0.2526.111 Safari/537.36', 4: 'Mozilla/5.0 (X11; Ubuntu; Linux x86_64; rv:15.0) Gecko/20100101 Firefox/15.0.1'} next_button = 'https://www.marketingweek.com/page/1/?s=big+data' res = [] while 1: response = requests.get(next_button, headers={'User-Agent':user_agents[np.random.randint(0,5)]}) soup = BeautifulSoup(response.text, "lxml") search_results = soup.find('div', class_='columns-flex full-ads') #localizing search window with article links article_link_tags = search_results.findAll('a') #ordinary scheme goes further #added duplication drop from list of urls row = [url['href'] for url in article_link_tags] row = list(set(row)) res.append(row) #Automatically clicks next button to load other articles next_button = soup.find('a', class_='next page-numbers') #Searches for articles till Next button is not found if not next_button: break next_button = next_button['href'] time.sleep((30 - 5) * np.random.random() + 5) for i in res: for j in i: print(j)

Если это по-прежнему не удается через некоторое время, попробуйте продлить sleep дважды или больше.

Я попытался напечатать next_button , это None . Почему нам нужен тег следующей кнопки, если мы можем напрямую перейти на конкретную страницу, слегка изменив URL-адрес. Предположим, что в вашем коде вы нашли ссылку на следующую страницу, но не получили text элемента, возвращаемого soup.find('a',text=">>") . Вот ваш модифицированный код. Дайте мне знать, если это сработает для вас.

 import requests from bs4 import BeautifulSoup import csv import pandas as pd import urllib2 df = pd.DataFrame() base_url = 'https://www.marketingweek.com/?s=big+data' res = [] page = 1 while page < 362: page_url = 'https://www.marketingweek.com/page/'+str(page)+'/?s=big+data' response = requests.get(page_url) soup = BeautifulSoup(response.content, "html.parser") search_results = soup.find('div', class_='columns-flex full-ads') #localizing search window with article links try: article_link_tags = search_results.findAll('a') #ordinary scheme goes further except AttributeError: continue res.append([url['href'] for url in article_link_tags]) print('Found {} links on page {} '.format(len(res[page-1]), page)) df.append(res[page-1]) #for i in res: # for j in i: # print(j) page += 1 # break ####Storing scraped links in csv file### df.to_csv('SampleUrl.csv', index=False)