Je crée un web-scraper et j'essaye de demander plusieurs URL qui partagent le même chemin d'URL, à l'exception d'un identifiant numéroté.
Mon code pour gratter une URL est le suivant:
import requests from bs4 import BeautifulSoup as bs pages = [] for i in range(11003058, 11003059, 00930291): ```url = 'https://beta.companieshouse.gov.uk/company/' + str(i) + '/officers' ```pages.append(url) for item in pages: ```page = requests.get(item) ```soup = bs(page.text, 'lxml') names = [item.text.strip() for item in soup.select('[class^=appointment]:not(.appointments-list):has([id^="officer-role-"]:contains(Director)) h2')] print(names)
L'URL partage la même structure à l'exception des numéros de société. J'ai essayé le code suivant pour essayer de le faire gratter plusieurs pages, mais sans succès:
import requests from bs4 import BeautifulSoup as bs r = requests.get('https://beta.companieshouse.gov.uk/company/00930291/officers') soup = bs(r.content, 'lxml') names = [item.text.strip() for item in soup.select('[class^=appointment]:not(.appointments-list):has([id^="officer-role-"]:contains(Director)) h2')] print(names)
Cela ne me donne que la première page (/ 11003058 / officiers) , pourquoi ne les parcourt-il pas? Quelqu'un peut-il aider?
3 Réponses :
Cela devrait résoudre vos problèmes:
La fonction range () renvoie une séquence de nombres, commençant par défaut à 0, et s'incrémente de 1 (par défaut) et se termine à un nombre spécifié.
Syntaxe:
['MASRAT, Suheel', 'MARSHALL, Jack', 'SUTTON, Tim', 'COOMBES, John Frederick', 'BROWN, Alistair Stuart', 'COOMBES, Kenneth', 'LAFONT, Jean-Jacques Mathieu', 'THOMAS-KEEPING, Lindsay Charles', 'WILLIAMS, Janet Elizabeth', 'WILLIAMS, Roderick', 'WRAGG, Barry']
https://docs.python.org/3/library/functions.html#func-range p>
Remplacez votre code par:
names = [] for items in soup: h2Obj = items.select('[class^=appointment]:not(.appointments-list):has([id^="officer-role-"]:contains(Director)) h2') for i in h2Obj: tagArray = i.findChildren() for tag in tagArray: if isinstance(tag,Tag) and tag.name in 'a': names.append(tag.text)
Vous devez initialiser soupe en tant que liste avant d'itérer les pages:
soupe = []
Et ajouter dans la liste de soupe:
for item in pages: page = requests.get(item) soup.append(bs(page.text, 'lxml'))
afficher la liste des noms:
company_id = ["11003058","11003059","00930291"] for i in company_id: url = 'https://beta.companieshouse.gov.uk/company/' + str(i) + '/officers' pages.append(url)
O / P :
range(start, stop, step)
Ajouter le haut du script:
à partir de la balise d'importation bs4.element
Merci pour ton aide. Cela fonctionne, mais ne montre que les URL dont il provient. Comment puis-je incorporer la section names =, afin qu'elle imprime les noms plutôt que l'url des pages?
names = [item.text.strip () for item in soup.select ('[class ^ = nomination]: not (.appointments-list): ha s ([id ^ = "officer-role -"]: contient (Directo r)) h2 ')]
J'ai ajouté les noms = ... juste après le soup.append ... sur une nouvelle ligne et ajouté print (noms), mais cela génère cette erreur: AttributeError: l'objet 'list' n'a pas d'attribut 'select' . Qu'est-ce que je fais mal :-(
car les noms ont un type d'instance de liste, vous devez effectuer une nouvelle itération
Vous êtes une star absolue !! Cela fonctionne parfaitement, merci beaucoup :-)
La syntaxe de range
est range (start, stop, step)
. Il effectue une boucle de start
à stop - 1
et augmente à chaque fois de step
. Vous faites quelque chose de bizarre ici car dans votre cas, stop
équivaut à start + 1
donc il ne va boucler qu'une seule fois, avec la valeur start
.
Je suppose que vous voulez juste obtenir ces 3 URL:
for i in (11003058, 11003059, 00930291):
Plage en boucles: la boucle inclut toujours start_value et exclut end_value pendant l'itération
Essayez ceci:
import requests from bs4 import BeautifulSoup as bs pages = ['11003058', '11003059', '00930291'] i=0 while i<len(pages): url = 'https://beta.companieshouse.gov.uk/company/' + pages(i) + '/officers' pages.append(url) i+1 for item in pages: page = requests.get(item) soup = bs(page.text, 'lxml') names = [item.text.strip() for item in soup.select('[class^=appointment]:not(.appointments-list):has([id^="officer-role-"]:contains(Director)) h2')] print(names)
Merci pour l'aide. J'ai essayé votre code, mais il génère l'erreur: Fichier "444.py", ligne 6, dans
oh, désolé, j'ai oublié de définir «i», maintenant vous pouvez l'exécuter.