编写脚本来抓取站点并在 JSON 中输出其数据？

Question

我遇到了一个问题。我想获取此站点所有公司列表数据的 JSON。

每个 link 端点都包含公司特定的数据，例如 公司名称、描述、邮政编码、州和地址 我的初步想法是：

获取站点列表到列表中
可能会再次使用 requests.get 来抓取每个单独的端点

到目前为止我已经尝试了几种方法，这是我最近的尝试：

import requests 
from bs4 import BeautifulSoup



base_url = "http://data-interview.enigmalabs.org/companies/"
r = requests.get(base_url)

soup = BeautifulSoup(r.content, 'html.parser')

links = soup.find_all("a")

link_list = []


for link in links:
  print  link_list.append("<a href='%s'</a>" %(link.get("href")))

我不知道如何从各个页面中提取我需要的所有数据

Answer 1

import bs4, urlparse, json, requests
from os.path import basename as bn

links = [] # the relative paths to companies
data = {} # company name --> company data
base = 'http://data-interview.enigmalabs.org/'

def bs(r): # returns a beautifulsoup table object for the table in the page of the relative path
    return bs4.BeautifulSoup(requests.get(urlparse.urljoin(base, r).encode()).content, 'html.parser').find('table')

for i in range(1,11):
    print 'Collecting page %d' % i
    # add end-point links
    links += [a['href'] for a in bs('companies?page=%d' % i).findAll('a')]

for link in links:
    print 'Processing %s' % link
    name = bn(link)
    data[name] = {}
    for row in bs(link).findAll('tr'):
        desc, cont = row.findAll('td')
        data[name][desc.text.encode()] = cont.text.encode()

print json.dumps(data)

编写脚本来抓取站点并在 JSON 中输出其数据？

Write script to scrape a site and output its data in JSON?

python

json

beautifulsoup

python-2.7

bs4