如何为你的机器学习项目抓取网页数据？ 作者 | Tobi Olabode译者 | Sambodhi策划 | 凌敏前不久，我在 LearnML 子论坛上看到一篇帖子。楼主在这篇帖子中提到，他需要为自己的机器学习项目抓取网页数据。很多人在回帖中给出了自己的方法，主要是学习如何使用 BeautifulSoup 和 Selenium。 我曾在一些数据科学项目中使用过 BeautifulSoup 和 Selenium。在本文中，我将告诉你如何用一些有用的数据抓取一个网页，并将其转换成 pandas 数据结构（DataFrame）。 为什么要将其转换成数据结构呢？这是因为大部分机器学习库都能处理 pandas 数据结构，并且只需少量修改就可对你的模型进行编辑。 首先，我们要在维基百科上找到一个表来转换成数据结构。我抓取的这张表，展示的是维基百科上浏览量最大的运动员数据。 其中一项大量的工作就是，通过浏览 HTML 树来得到我们需要的表。 通过 request 和 regex 库，我们开始使用 BeautifulSoup。 from bs4 import BeautifulSoup import requests import re import pandas as pd 下面，我们将从网页中提取 HTML 代码： website_url = requests.get('https://en.wikipedia.org/wiki/Wikipedia:Multiyear_ranking_of_most_viewed_pages').text soup = BeautifulSoup(website_url, 'lxml') print(soup.prettify()) /li li id="footer-places-disclaimer" a href="/wiki/Wikipedia:General_disclaimer" title="Wikipedia:General disclaimer" Disclaimers /li li id="footer-places-contact" a href="//en.wikipedia.org/wiki/Wikipedia:Contact_us" Contact Wikipedia /li li id="footer-places-mobileview" a class="noprint stopMobileRedirectTog 从语料库中收集所有的表，我们有一个较小的表面区域来搜索。 wiki_tables = soup.find_all('table', class_='wikitable') wiki_tables 因为存在很多表，所以需要一种过滤它们的方法。 据我们所知，Cristiano Ronaldo（也就是葡萄牙足球运动员 C 罗）有一个锚标记，这可能在几个表中是独一无二的。 通过 Cristiano Ronaldo 文本，我们可以过滤那些被锚标记的表。此外，我们还发现一些包含这个锚标记的父元素。 links = [] for table in wiki_tables: _table = table.find('a', string=re.compile('Cristiano Ronaldo')) if not _table: continue print(_table) _parent = _table.parent print(_parent) links.append(_parent) a href="/wiki/Cristiano_Ronaldo" title="Cristiano Ronaldo"Cristiano Ronaldo td style="text-align: left;"a href="/wiki/Cristiano_Ronaldo" title="Cristiano Ronaldo"Cristiano Ronaldo /td a href="/wiki/Cristiano_Ronaldo" title="Cristiano Ronaldo"Cristiano Ronaldo td style="text-align: left;"a href="/wiki/Cristiano_Ronaldo" title="Cristiano Ronaldo"Cristiano Ronaldo /td a href="/wiki/Cristiano_Ronaldo" title="Cristiano Ronaldo"Cristiano Ronaldo td style="text-align: left;"a href="/wiki/Cristiano_Ronaldo" title="Cristiano Ronaldo"Cristiano Ronaldo /td 父元素只显示单元格。 这是一个带有浏览器 web 开发工具的单元格。 parent_lst = [] for anchor in links: _ = anchor.find_parents('tbody') print(_) parent_lst.append(_) 利用 tbody，我们可以返回包含以前的锚标记的其他表。 为进一步过滤，我们可以在以下表中的不同标题进行搜索： for i in parent_lst: print(i[0].find('tr')) tr Rank*/th Page/th Views in millions /th/tr Rank/th Page/th Views in millions /th/tr Rank/th Page/th Sport/th Views in millions /th/tr 第三张看起来很像我们所需要的表。 接下来，我们开始创建必要的逻辑来提取并清理我们需要的细节。 sports_table = parent_lst[2] complete_row = [] for i in sports_table: rows = i.find_all('tr') print('\n--------row--------\n') print(rows) for row in rows: cells = row.find_all('td') print('\n-------cells--------\n') print(cells) if not cells: continue rank = cells[0].text.strip('\n') page_name = cells[1].find('a').text sport = cells[2].find('a').text views = cells[3].text.strip('\n') print('\n-------CLEAN--------\n') print(rank) print(page_name) print(sport) print(views) complete_row.append([rank, page_name, sport, views]) for i in complete_row: print(i) 分解一下： sports_table = parent_lst[2] complete_row = [] 下面我们从上面的列表中选择第三个元素。这就是我们需要的表。 接下来创建一个空列表，用于存储每行的详细信息。在遍历这个表的时候，建立一个循环，遍历表中的每一行，并将其保存到 rows 变量中。 for i in sports_table: rows = i.find_all('tr') print('\n--------row--------\n') print(rows) for row in rows: cells = row.find_all('td') print('\n-------cells--------\n') print(cells) 建立了嵌套的循环。遍历上一个循环中保存的每个行。在遍历这些单元格时，我们将每个单元格保存在一个新的变量。 if not cells: continue 这段简短的代码允许我们在从单元格中提取文本时，避免空单元格并防止发生错误。 rank = cells[0].text.strip('\n') page_name = cells[1].find('a').text sport = cells[2].find('a').text views = cells[3].text.strip('\n') 在此，我们将各种单元格清理为纯文本格式。清除后的值保存在其列名下的变量中。 print('\n-------CLEAN--------\n') print(rank) print(page_name) print(sport) print(views) complete_row.append([rank, page_name, sport, views]) 此处，我们向行列表添加这些值。然后输出清理后的值。 -------cells-------- [13 /tdtd style="text-align: left;"a href="/wiki/Conor_McGregor" title="Conor McGregor"Conor McGregor /tdtda href="/wiki/Mixed_martial_arts" title="Mixed martial arts"Mixed martial arts /tdtd43 /td] -------CLEAN-------- 13 Conor McGregor Mixed martial arts 43 下面将其转换为数据结构： headers = ['Rank', 'Name', 'Sport', 'Views Mil'] df = pd.DataFrame(complete_row, columns=headers) df 现在你可以在机器学习项目中使用的 pandas 数据结构了。你可以使用自己喜欢的库来拟合模型数据。 作者介绍： Tobi Olabode，对技术感兴趣，目前主要关注机器学习。 原文链接： https://blog.devgenius.io/how-to-scrape-a-website-for-your-ml-project-c3a4d6f160c7 你也「在看」吗？?? 阅读原文