使用python通过分页表抓取数据答案

【问题标题】：Scraping data through paginated table using python使用python通过分页表抓取数据
【发布时间】：2015-04-06 15:43:06
【问题描述】：

我正在通过谷歌财经的历史页面抓取股票的数据 (http://www.google.com/finance/historical?q=NSE%3ASIEMENS&ei=PLfUVIDTDuSRiQKhwYGQBQ)。

我可以抓取当前页面上的 30 行。我面临的问题是我无法浏览表中的其余数据（31-241 行）。我如何转到下一页或链接。以下是我的代码：

import urllib2
import xlwt #to write into excel spreadsheet
from bs4 import BeautifulSoup

# Main Coding Section

stock_links = open('stock_link_list.txt', 'r')  #opening text file for reading

#url="https://www.google.com/finance/historical?q=NSE%3ASIEMENS&ei=zHXOVLPnApG2iALxxYCADQ"
for url in stock_links:
    OurFile = urllib2.urlopen(url)
    OurHtml = OurFile.read()
    OurFile.close()
soup = BeautifulSoup(OurHtml)
#soup1 = soup.find("div", {"class": "gf-table-wrapper sfe-break-bottom-16"}).get_text()
soup1 = soup.find("table", {"class": "gf-table historical_price"}).get_text()

end = url.index('&')
filename = url[47:end]
file = open(filename, 'w')  #opening text file for writing
file.write(soup1)
#file.write(soup1.get_text())   #writing to the text file
file.close()            #closing the text file

【问题讨论】：

标签： python beautifulsoup screen-scraping

【解决方案1】：

您必须对其进行微调，我会发现更具体的错误，但您可以继续增加 start 以获取下一个数据：

url = "https://www.google.com/finance/historical?q=NSE%3ASIEMENS&ei=W8LUVLHnAoOswAOFs4DACg&start={}&num=30"

from bs4 import BeautifulSoup
import  requests
# Main Coding Sectio
start = 0
while True:
    try:
        nxt = url.format(start)
        r = requests.get(nxt)
        soup = BeautifulSoup(r.content)
        print(soup.find("table",{"class": "gf-table historical_price"}).get_text())
    except Exception as e:
        print(e)
        break
    start += 30

这将获取截至最后日期 2 月 7 日的所有表格数据：

......

Date
Open
High
Low
Close
Volume

Feb 7, 2014
552.60
557.90
548.25
551.50
119,711

【讨论】：

谢谢 Padraic C。您的回答帮助我今天学到了一些新东西。我将“&start={}”附加到我现有的链接列表中。它就像一个魅力。由于我缺乏声誉积分，我无法支持您的回答。我有积分的那一天，我会来这里并为这个很棒的答案投票。
@NitheshKHP，不用担心。

【解决方案2】：

乍一看，Row Limit 选项允许每页最多显示 30 行，但我手动将查询字符串参数更改为更大的数字，并意识到我们每页最多可以查看 200 行

把网址改成

https://www.google.com/finance/historical?q=NSE%3ASIEMENS&ei=OM3UVLFtkLnzBsjIgYAI&start=0&num=200

它将显示 200 行

然后改start=200&num=400

但更合乎逻辑的是，如果您有许多其他类型的链接。

然后你就可以抓取Pagination区域，最后一个TR，抓取下一页的那些链接，然后抓取

【讨论】：

感谢 Umair。根据您的建议，我确实使用了 url，帮助我改进了我的代码。