使用名称从网站上抓取数据表

Question

我在尝试抓取网站时遇到了独特的情况。 我正在通过搜索栏搜索数百个名字，然后抓取表格。 但是，与网站相比，某些名称是独一无二的，并且在我的列表中的拼写有所不同。 在这种情况下，我在网站上手动查找了几个名字，它仍然直接将我带到单个页面。 其他时候，如果有多个名字相同或相似的人，它会进入名字列表（在这种情况下，我想要在nba打过球的人。我已经考虑到了这一点，但我认为有必要提一下）。 我如何继续进入这些玩家的个人页面，而不是每次都运行脚本并点击错误以查看哪个玩家的拼写略有不同？ 同样，即使拼写略有不同或名称列表（需要NBA中的名称），数组中的名称也会直接将您带到单个页面。 一些例子是乔治奥斯·帕帕吉恩尼斯（乔治Papagiannis在网站上列出），奥格年·库兹米奇（列为Ognen的Kuzmic），内内（列为Maybyner内内，但会带你到名称的列表- https://basketball.realgm.com/搜索？q=nene ）。 这看起来很艰难，但我觉得这可能是可能的。 此外，似乎不是将所有抓取的数据写入 csv，而是每次被下一个玩家覆盖。 万分感谢。

我得到的错误： AttributeError: 'NoneType' object has no attribute 'text'

import requests
from bs4 import BeautifulSoup
import pandas as pd


playernames=['Carlos Delfino', 'Nene', 'Yao Ming', 'Marcus Vinicius', 'Raul Neto', 'Timothe Luwawu-Cabarrot']

result = pd.DataFrame()
for name in playernames:

    fname=name.split(" ")[0]
    lname=name.split(" ")[1]
    url="https://basketball.realgm.com/search?q={}+{}".format(fname,lname)
    response = requests.get(url)
    soup = BeautifulSoup(response.content, 'html.parser')

    if soup.find('a',text=name).text==name:
        url="https://basketball.realgm.com"+soup.find('a',text=name)['href']
        print(url)
        response = requests.get(url)
        soup = BeautifulSoup(response.text, 'lxml')

    try:
        table1 = soup.find('h2',text='International Regular Season Stats - Per Game').findNext('table')
        table2 = soup.find('h2',text='International Regular Season Stats - Advanced Stats').findNext('table')

        df1 = pd.read_html(str(table1))[0]
        df2 = pd.read_html(str(table2))[0]

        commonCols = list(set(df1.columns) & set(df2.columns))
        df = df1.merge(df2, how='left', on=commonCols)
        df['Player'] = name
        print(df)
    except:
        print ('No international table for %s.' %name)
        df = pd.DataFrame([name], columns=['Player'])

result = result.append(df, sort=False).reset_index(drop=True)

cols = list(result.columns)
cols = [cols[-1]] + cols[:-1]
result = result[cols]
result.to_csv('international players.csv', index=False)

Answer 1

我对名字相似的 NBA 球员使用循环。 您可以在下面的 css 选择器中找到以从搜索表中获取 NBA 球员：

.tablesaw tr:has(a[href*="/nba/teams/"]) a[href*="/player/"]

CSS 选择器含义：按tablesaw类查找表，查找表的子项tr和子项a其href包含/nba/teams/文本，然后找到a的href包含/player/

我添加了Search Player Name和Real Player Name列，您可以看到玩家是如何被找到的。 此列使用insert放置为第一列和第二列（请参阅代码中的注释）。

import requests
from bs4 import BeautifulSoup
import pandas as pd
from pandas import DataFrame

base_url = 'https://basketball.realgm.com'
player_names = ['Carlos Delfino', 'Nene', 'Yao Ming', 'Marcus Vinicius', 'Raul Neto', 'Timothe Luwawu-Cabarrot']

result = pd.DataFrame()


def def get_player_stats(search_name = None, real_name = None, player_soup = None):
    table_per_game = player_soup.find('h2', text='International Regular Season Stats - Per Game')
    table_advanced_stats = player_soup.find('h2', text='International Regular Season Stats - Advanced Stats')

    if table_per_game and table_advanced_stats:
        print('International table for %s.' % search_name)

        df1 = pd.read_html(str(table_per_game.findNext('table')))[0]
        df2 = pd.read_html(str(table_advanced_stats.findNext('table')))[0]

        common_cols = list(set(df1.columns) & set(df2.columns))
        df = df1.merge(df2, how='left', on=common_cols)

        # insert name columns for the first positions
        df.insert(0, 'Search Player Name', search_name)
        df.insert(1, 'Real Player Name', real_name)
    else:
        print('No international table for %s.' % search_name)
        df = pd.DataFrame([[search_name, real_name]], columns=['Search Player Name', 'Real Player Name'])

    return df


for name in player_names:
    url = f'{base_url}/search?q={name.replace(" ", "+")}'
    response = requests.get(url)
    soup = BeautifulSoup(response.content, 'html.parser')

    if url == response.url:
        # Get all NBA players
        for player in soup.select('.tablesaw tr:has(a[href*="/nba/teams/"]) a[href*="/player/"]'):
            response = requests.get(base_url + player['href'])
            player_soup = BeautifulSoup(response.content, 'lxml')
            player_data = get_player_stats(search_name=player.text, real_name=name, player_soup=player_soup)
            result = result.append(player_data, sort=False).reset_index(drop=True)
    else:
        player_data = get_player_stats(search_name=name, real_name=name, player_soup=soup)
        result = result.append(player_data, sort=False).reset_index(drop=True)

result.to_csv('international players.csv', index=False)
# Append to existing file
# result.to_csv('international players.csv', index=False, mode='a')