如何构建动态网站 Scraper/Crawler：Python

Question

不太确定这个问题的复杂性，但我想我会试一试。

我如何创建一个网络 crawler/scraper（不确定我需要哪个）来获取所有 CEO 薪酬比率数据的 csv。 https://www.bloomberg.com/graphics/ceo-pay-ratio/

我想要此信息以供进一步分析，但是，我不确定如何为动态网页检索它。我过去构建过网络抓取工具，但用于简单的网站和功能。

如果你能给我指出一个好的资源或post下面的代码，我将永远感激你。

提前致谢！

Answer 1

由于该网站似乎动态加载内容，我相信您将需要 Selenium, a library that automates browsers, and BeautifulSoup，一个用于解析结果网页的库。

由于您感兴趣的网站部分只是一个页面，您只需要检索数据我建议您首先调查数据是如何加载到页面的。您可以使用与脚本相同的参数直接向他们的服务器发出请求，以直接检索您感兴趣的数据，这似乎是合理的。

要发出这样的请求，您可以考虑使用另一个名为 requests.

的库

Answer 2

请注意，抓取该网站可能会被标记为“违反服务条款”，该特定网站使用多种技术来避免基于脚本引擎的抓取。

如果您检查该网页，您可能会发现当您单击下一步按钮时没有 XHR 请求。所以你可以推断内容只加载了一次。

如果将请求数据按大小排序，会发现所有数据都是从json file

加载的

使用python（但您需要在运行 python 脚本之前打开页面）：

import requests
data=requests.get("https://www.bloomberg.com/graphics/ceo-pay-ratio/live-data/ceo-pay-ratio/live/data.json").json()
for each in data['companies']:
    try:
        print "Company",each['c'],"=> CEO pay ratio",each['cpr']
    except:
        print "Company",each['c'],"=> no CEO pay ratio !"

哪个给你：

Company Aflac Inc => CEO pay ratio 300
Company American Campus Communities Inc => CEO pay ratio 226
Company Aetna Inc => CEO pay ratio 235
Company Ameren Corp => CEO pay ratio 66
Company AmerisourceBergen Corp => CEO pay ratio 0
Company Advance Auto Parts Inc => CEO pay ratio 329
Company American International Group Inc => CEO pay ratio 697
Company Arthur J Gallagher & Co => CEO pay ratio 126
Company Arch Capital Group Ltd => CEO pay ratio 104
Company ACADIA Pharmaceuticals Inc => CEO pay ratio 54
[...]

在 webrowser 中打开 json 然后将其保存在本地比尝试请求网站更好。

在将 json 本地保存为 data.json 后，您可以通过以下方式阅读它：

import json

with open("data.json","r") as f:
    cont=f.read()

data=json.loads(cont)

for each in data['companies']:
    try:
        print "Company",each['c'],"=> CEO pay ratio",each['cpr']
    except:
        print "Company",each['c'],"=> no CEO pay ratio !"

如何构建动态网站 Scraper/Crawler：Python

How to Build a Dynamic Web Scraper/Crawler: Python

python

web-scraping

web-crawler

finance

data-retrieval