[英]How to get different tables from one page using Python (lxml, html, requests, xpath)?
我正在尝试从https://www.premierleague.com/tables获取英超联赛表的数据。 我可以通过下面的代码获取数据,但不幸的是,它仅适用于最新的季节选项( 2018/2019 )。 该页面还提供其他季节的表格( 2017/2018,...) , 我如何 刮取 其他表格?
from lxml import html
import requests
page = requests.get('https://www.premierleague.com/tables')
tree = html.fromstring( page.content )
team_rows = tree.xpath('//table//tbody//tr[@data-filtered-table-row-name]')[0:20]
team_names = [i.attrib['data-filtered-table-row-name'] for i in team_rows]
teams = {}
for i in range(20):
element = team_rows[i]
teams[team_names[i]] = element.getchildren()
for i in team_names:
values = [j.text_content() for j in teams[i]]
row = "{} "*9
print( row.format(i, *values[3:12] ) )
但不幸的是,它仅适用于最新的季节选项(2018/2019)
网站正在使用JavaScript加载旧表(1992-2017),因此当您使用Python进行访问时,您会获得最新的表。 如果您希望按年份/会话抓取表格过滤器,我会为您提供一个硬代码版本(因为我没有找到年份编号的规则)。 但您想更优雅地完成它,硒或request_html可能适合您。
注意: 模仿JavaScript从服务器获取数据,因此响应的内容为json类型。 而且只能获得不同年份的英超联赛排名。 在我的示例中,无法按比赛/比赛周/ home_or_away进行过滤。 如果要将这些选项添加到脚本中,则应分析url参数的规则(使用@pguardiario表示的方式或使用诸如fiddler之类的工具)。
import requests
from pprint import pprint
years = {str(1991+i):str(i) for i in range(1,23)}
years.update({
"2018":"210",
"2017":"79",
"2016":"54",
"2015":"42",
"2014":"27"
})
specific = years.get("2017")
param = {
"altIds":"true",
"compSeasons":specific,
"detail":2,
"FOOTBALL_COMPETITION":1
}
headers = {
"Origin": "https://www.premierleague.com",
"User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/70.0.3538.110 Safari/537.36",
"Referer": "https://www.premierleague.com/tables?co=1&se={}&ha=-1".format(specific),
"Content-Type": "application/x-www-form-urlencoded; charset=UTF-8"
}
page = requests.get('https://footballapi.pulselive.com/football/standings',
params=param,
headers=headers
)
print(page.url)
pprint(page.json())
如何从一页获取不同的表
我觉得您的问题标题与您的描述不同。 如果是这样,另一个问题是您将所有表合并到一个表中。 您应该注意//
XPath中.//的含义是什么? 。
注意: 如果要获取英超联赛表的旧数据,请在第一部分中使用我的代码。 因为这些数据只能通过这种方式获得。
from lxml import html
import requests
from pprint import pprint
years = {str(1991+i):str(i) for i in range(1,23)}
years.update({
"2018":"210",
"2017":"79",
"2016":"54",
"2015":"42",
"2014":"27"
})
param = {
"co":"1",
"se":years.get("2017"),
"ha":"-1"
}
page = requests.get('https://www.premierleague.com/tables', params=param)
tree = html.fromstring( page.content )
tables = tree.xpath('//tbody[contains(@class,"tableBodyContainer")]')
each_table_team_rows = [table.xpath('tr[@data-filtered-table-row-name]') for table in tables]
team_names = [[i.attrib['data-filtered-table-row-name'] for i in team_rows] for team_rows in each_table_team_rows]
pprint(team_names)
声明:本站的技术帖子网页,遵循CC BY-SA 4.0协议,如果您需要转载,请注明本站网址或者原文地址。任何问题请咨询:yoyou2525@163.com.