Уроки Python 13 - Парсинг и Beautiful soup

Уроки Python 13 - Парсинг и Beautiful soup

Очень часто возникает необходимость вытащить какую-то информацию с сайтов, в которых отсутствует API. Приходится применять технику, которая называется парсинг. Парсинг - это анализ исходного HTML кода веб-страницы и извлечение необходимых нам кусочков информации. Как получить HTML код любой веб-страницы с помощью requests.get(), было рассказано в предыдущем уроке. В данной статье, поговорим о парсинге.

Есть два пути вытаскивания нужных отрезков информации из HTML кода веб страниц

С использованием регулярных выражений

С использованием специальных модулей

Что такое регулярные выражения, мы разберем в следующих уроках. Скажу лишь, что применять регулярки для парсинга веб страниц нецелесообразно. Гораздо удобнее использовать готовые модули.

Рассмотрим один из таких модулей - Beautiful Soup. Он позволяет получать любые кусочки HTML кода и текста, делая выборку на основе указанных селекторов - классов или id искомых тегов. В этом он сильно похож на JQuery, если кто-то из вас занимается созданием сайтов, понять что такое селекторы не составит труда. Для остальных поясним:

Любая веб страница представляет из себя набор HTML тегов - специальных слов, которые заключены в скобки из значков больше-меньше. Например тег ссылки может выглядеть так

Ссылка

Мы можем получить любой тег, обратившись к нему по его классу, в данном случае '.n62' или по id - '#wn17'. В результате нам вернется тег с искомым id, либо список из тегов, у которых есть такой класс.

Чтобы распарсить какую-то веб страницу, нужно открыть её исходный код, найти в нём нужные нам теги, выписать их классы или id. А потом обращаться к ним по селекторам. Давайте поясним всё это на примере.

Сперва установим в Python модуль Beautiful Soup, дав в командной строке команду:

pip install beautifulsoup4

В программе мы должны будем вписать сокращенный вариант названия модуля

import bs4

Итак, для примера сделаем программу, которая получает прогноз погоды на сегодня по региону Москва. Информацию будем парсить вот отсюда:

https://sinoptik.com.ru/погода-москва

Сперва нам нужно понять, какие именно теги нам нужно вытаскивать.

Откроем HTML код страницы и найдём в нём показания температуры за утро и день.

Мы заметим, что нужная нам температура расположена в тегах с классами p3, p4, p5, p6

В свою очередь, эти классы вложены в теги с классом temperatu

Значит селекторы для выборки этих тегов будут выглядеть так:

'.temperature .p3'

'.temperature .p4'

'.temperature .p5'

'.temperature .p6'

Теперь найдем в исходном коде тег где лежит текстовое описание погоды

Оно лежит в теге с классом description который вложен в тег с классом rSide. Значит селектор для получения этого тега будет таким:

'.rSide description'

Напишем программу:

import requests, bs4

s=requests.get('https://sinoptik.com.ru/погода-москва')

b=bs4.BeautifulSoup(s.text, "html.parser")

p3=b.select('.temperature .p3')

pogoda1=p3[0].getText()

p4=b.select('.temperature .p4')

pogoda2=p4[0].getText()

p5=b.select('.temperature .p5')

pogoda3=p5[0].getText()

p6=b.select('.temperature .p6')

pogoda4=p6[0].getText()

print('Утром :' + pogoda1 + ' ' + pogoda2)

print('Днём :' + pogoda3 + ' ' + pogoda4)

p=b.select('.rSide .description')

pogoda=p[0].getText()

print(pogoda.strip())

Итак, сперва мы получили в переменную s код веб страницы в виде HTML. Далее преобразовали этот код в объект для парсинга b=bs4.BeautifulSoup(s.text, "html.parser")

И теперь, используем select для получения нужных нам тегов. Команда select возвращает список из всех найденных тегов с заданным селектором. В нашем случае в возвращаемом списке всего 1 элемент с индексом 0, потому что мы ищем не повторяющиеся значения тегов. Например, чтобы получить первое значение температуры, сперва получим список всех найденных совпадений p3=b.select('.temperature .p3') а уже потом возьмем текст из нулевого элемента полученного списка pogoda1=p3[0].getText()

С остальными тегами всё точно также. Мы просто задаём селектор, состоящий из имён классов искомых тегов, получаем список найденных тегов, и берем с этого списка нулевой элемент(нумерация списков идёт с нуля).

Полученные переменные мы выводим с помощью print И получаем что-то вроде этого:

Вы можете изменить в программе город на ваш, поменяв в конце адреса s=requests.get('https://sinoptik.com.ru/погода-москва') название города. Подобным образом можно получить информацию не только с сайта погоды, а вообще с ЛЮБОГО сайта.