我如何使用Python和BeautifulSoup从一个网络中的多个页面抓取数据

Question

   # -*- coding: utf-8 -*-
"""
Created on Fri Jun 29 10:38:46 2018

@author: Cinthia
"""

from bs4 import BeautifulSoup as soup
from urllib.request import urlopen as uReq
array = ['146-face', '153-palettes-sets', 'https://www.sociolla.com/147-eyes', 'https://www.sociolla.com/150-lips', 'https://www.sociolla.com/149-brows', 'https://www.sociolla.com/148-lashes']
base_url='https://www.sociolla.com/142-face'
uClient = uReq(base_url)
page_html = uClient.read()
uClient.close()

#html parsing
page_soup = soup(page_html, "html.parser")

#grab the product
kosmetik = page_soup.findAll("div", {"class":"col-md-3 col-sm-6 ipad-grid col-xs-12 productitem"})
print(len(kosmetik))

我想从该网站上抓取数据，上面的代码仅在基本网址上占用了多少产品。 我不知道该数组如何工作，因此它可以从产品中获取的数据（例如描述，图像，价格）从我在数组中创建的所有页面中获取。

我是Python的新手，对循环了解不多。

Answer 1

您可以在此处找到表/网格的根元素id=product-list-grid ，并提取包含所需信息（品牌，链接，类别）和第一个<img>标记的属性。

对于分页，似乎可以添加p=<page number>进入下一页，并且当该页面不存在时，它将重定向到第一页。 一种解决方法是检查响应URL，并检查其是否与您请求的URL相同。 如果相同，则可以增加页码，否则将所有页面刮掉

from bs4 import BeautifulSoup
import urllib.request

count = 1
url = "https://www.sociolla.com/142-nails?p=%d"

def get_url(url):
    req = urllib.request.Request(url)
    return urllib.request.urlopen(req)

expected_url = url % count
response = get_url(expected_url)

results = []

while (response.url == expected_url):
    print("GET {0}".format(expected_url))
    soup = BeautifulSoup(response.read(), "html.parser")

    products = soup.find("div", attrs = {"id" : "product-list-grid"})

    results.append([
        (
            t["data-eec-brand"],    #brand
            t["data-eec-category"], #category
            t["data-eec-href"],     #product link
            t["data-eec-name"],     #product name
            t["data-eec-price"],    #price
            t.find("img")["src"]    #image link
        ) 
        for t in products.find_all("div", attrs = {"class" : "product-item"})
        if t
    ])

    count += 1
    expected_url = url % count
    response = get_url(expected_url)

print(results)

这里的结果存储在results ，该results是一个元组数组