如何构建动态 Web 爬虫/爬虫：Python

Question

不太确定这个问题的复杂性，但我想我会试一试。

我如何创建一个网络爬虫/抓取工具（不确定我需要哪个）来获取所有 CEO 薪酬比率数据的 csv。 https://www.bloomberg.com/graphics/ceo-pay-ratio/

我希望此信息用于进一步分析，但是，我不确定如何为动态网页检索它。 我过去曾构建过网络爬虫，但用于简单的网站和功能。

如果你能给我指出一个好的资源或在下面发布代码，我将永远欠你的债。

提前致谢！

Answer 1

由于该网站似乎是动态加载内容，我相信您将需要Selenium （一个自动浏览器的库）和BeautifulSoup （一个解析生成的网页的库）。

由于您感兴趣的网站部分只是一页，您只需要检索数据，我建议您首先调查数据是如何加载到页面的。 您可以使用与脚本相同的参数直接向他们的服务器发出请求，以直接检索您感兴趣的数据，这似乎是合理的。

要发出这样的请求，您可以考虑使用另一个名为requests 的库。

Answer 2

请注意，抓取本网站可能会被标记为“违反服务条款”，该特定网站使用多种技术来避免基于脚本引擎的抓取。

---

如果您检查网页，您可能会发现当您单击下一步按钮时，没有 XHR 请求。 所以你可以推断出内容只加载了一次。

如果按照大小对请求数据进行排序，你会发现所有的数据都是从一个json文件中加载的

---

使用python（但您需要在运行python脚本之前打开页面）：

import requests
data=requests.get("https://www.bloomberg.com/graphics/ceo-pay-ratio/live-data/ceo-pay-ratio/live/data.json").json()
for each in data['companies']:
    try:
        print "Company",each['c'],"=> CEO pay ratio",each['cpr']
    except:
        print "Company",each['c'],"=> no CEO pay ratio !"

这给你：

Company Aflac Inc => CEO pay ratio 300
Company American Campus Communities Inc => CEO pay ratio 226
Company Aetna Inc => CEO pay ratio 235
Company Ameren Corp => CEO pay ratio 66
Company AmerisourceBergen Corp => CEO pay ratio 0
Company Advance Auto Parts Inc => CEO pay ratio 329
Company American International Group Inc => CEO pay ratio 697
Company Arthur J Gallagher & Co => CEO pay ratio 126
Company Arch Capital Group Ltd => CEO pay ratio 104
Company ACADIA Pharmaceuticals Inc => CEO pay ratio 54
[...]

---

也许在 webrowser 中打开 json 然后将其保存在本地比尝试请求网站更好。

在本地将 json 保存为data.json您可以使用以下命令读取它：

import json

with open("data.json","r") as f:
    cont=f.read()

data=json.loads(cont)

for each in data['companies']:
    try:
        print "Company",each['c'],"=> CEO pay ratio",each['cpr']
    except:
        print "Company",each['c'],"=> no CEO pay ratio !"