顯示廣告
隱藏 ✕
回列表(←)
Disp BBS guest 註冊 登入(i) 線上人數: 270
首頁(home) 上頁(↑) 下頁(↓) 末頁(end)
※ 本文為 terievv 轉寄自 ptt.cc 更新時間: 2019-05-20 15:09:14
看板 Python
作者 alubasteve (poorguy)
標題 [問題] 請問如何了解巴哈姆特的網頁結構以抓資料
時間 Sat May 11 10:07:30 2019

我目前正在練習用巴哈姆特的網頁抓資料
https://www.gamer.com.tw/
巴哈姆特電玩資訊站
[圖]
華人最大動漫及遊戲社群網站，提供 ACG 每日最新新聞、熱門排行榜，以及豐富的討論交流空間，還有精采的個人影音實況、部落格文章。 ...

 
但是碰到的問題是我無法理解其網頁架構
舉例來說
我想要抓Android安裝榜
所以我開chrome並使用f12去對網頁資料
然後看到https://imgur.com/a/zCehUFB
[圖]
 
知道class是"BA-ctag1now"
接著往上看到https://imgur.com/a/rR8Fy5j
[圖]
 
知道class是"BA-ctag1"
然後往下看到https://imgur.com/a/nniibSr
[圖]
 
知道class是"BA-cbox BA cbox5 BA mobilegamechart
然後往下看到https://imgur.com/a/itCK19J
[圖]
 
知道class是"game"+遊戲名稱欄位是"p"
但如果我輸入https://pastebin.com/1fMz0ZCk
結果就會失敗

請問我該如何拆解巴哈姆特的網頁架構
還是我的程式本身也有哪裡錯了

--
--
※ 發信站: 批踢踢實業坊(ptt.cc), 來自: 1.163.182.206
※ 文章代碼(AID): #1SrYvaBz (Python)
※ 文章網址: https://www.ptt.cc/bbs/Python/M.1557540452.A.2FD.html
→ s860134: 有 id 幹嘛不用 id.... <div id="gamechart-hot">1F 05/11 12:09
→ s860134: class 的功能是為了配合 css 和 js 進行瀏覽器渲染加工
→ s860134: 時的分類，所以可以預期幾乎不會是只出現一次
推 art1: 要寫爬蟲最好去了解一下 html4F 05/11 12:49
→ alubasteve: 給s860134,多謝你的指點,目前已經試出以下結果5F 05/11 18:31
→ alubasteve: https://pastebin.com/J2eHfP43
→ alubasteve: 只是也如art1所說，不懂html結構的話很難進行下去7F 05/11 18:40
→ alubasteve: 我現在才知道,要抓資料要同時懂程式跟網頁才行
→ alubasteve: 因為我不斷縮小https://pastebin.com/FBTjW4w9
→ alubasteve: 卻無法拆解出最後的部分,讓我可以拉出排行榜的遊戲名10F 05/11 20:05
→ alubasteve: 附帶一題,請問id或class的名稱你們都是怎麼打的
→ alubasteve: 我都只能一邊看網頁右邊的名稱一邊用手打字
→ alubasteve: 沒有直接COPY貼上到程式裡頭的方法嗎
推 art1: print(soup.select('a.hotgame > p.game'))14F 05/11 20:26
→ art1: 這是利用 css 選擇器來選到你要的元素，所以也要去了解一下
→ art1: 這樣才能比較有效率的抓出想要的資料
推 art1: select 會回傳串列（list)，所以串列元素的text就是你要的
→ alubasteve: 給art1,感謝你的協助https://pastebin.com/hE2DNT3S18F 05/12 00:08
→ alubasteve: 所以我猜你的程式意思是把a class="hotgame"到19F 05/12 00:10
→ alubasteve: p class="game"之間的資料以序列形式抓出來
→ alubasteve: 只是我不明白若我想要只看最後排行榜的資料
→ alubasteve: 為何是這種結果https://pastebin.com/AK5byWc1
→ alubasteve: https://pastebin.com/C1c97e8Z,我一直沒辦法只顯現23F 05/12 00:15
→ alubasteve: 實際榜單的遊戲排行而去掉前後的內容
推 art1: 你要注意印出來的資料最前面跟最後面有 [跟]25F 05/12 00:38
→ art1: 這代表在裡面（也就是串列list）的元素是以逗號 , 隔開
→ art1: 串列裡面的每一個元素其實都是 bs4 建構的一種物件，包含了
→ art1: 各種資料和函式，你需要的只是串列元素的text屬性值，至於
→ art1: 排行，初步看是按照串列裏面的順序，因為神魔存在索引值 0
→ art1: 的位置
→ art1: 存取text屬性值的程式碼像這樣
→ art1: soup.select('a.hotgame > p.game').text
→ art1: 實際上不會這樣存取，而是用 for..in...迴圈來讀取
→ art1: for item in soup.select('a.hotgame > p.game'):
→ art1:    print(item.text)
推 art1: a.hotgame > p.game 是指只要有符合這個順序與類別名稱的
→ art1: html 元素都抓出來
→ art1: 應該還要加上一個標籤名稱才對
→ art1: select 應該是專門用來透過 CSS 選擇器找資料的函式
→ art1: 應該說找 html 元素才對
→ alubasteve: 感謝art1,我嘗試的結果https://pastebin.com/6NjJc3ST41F 05/12 09:23
→ alubasteve: 我原本以為是直接去把<p class="game">後的答案抓出來42F 05/12 09:24
→ alubasteve: 但看來不是,而是遊戲名稱是屬於item要用for叫出來才對
→ alubasteve: 你說的"a.hotgame > p.game 是指只要有符合這個順序
→ alubasteve: 與類別名稱的html 元素都抓出來"是指串列裡原本有很多
→ alubasteve: 資料，但是透過a.hotgame > p.game分離出想要的部分
→ alubasteve: 請問是這樣嗎?
→ alubasteve: 另外,請問你有何推薦的網頁架構或是抓資料的資源
→ alubasteve: 這樣一來我日後要練習的話比較容易找到起點
→ alubasteve: 搞不懂自己錯在哪裡也搞不懂自己對在哪裡真的很頭痛
推 art1: 對，因為 soup 就是用來存 html 解析之後得到的資料51F 05/12 10:57
→ art1: 我一開始寫爬蟲時對 html 跟 python 都不太了解，也是像你這
→ art1: 樣一層一層找下去，但這種方式太痛苦了
→ art1: 後來學了 html 之後，就比較知道要怎麼快速取出已解析的html
→ art1: 元素
→ art1: 在學的時候是連 CSS、JavaScript一起學，實際用 JavaScript
→ art1: 透過 CSS 選擇器去操作各種 html 元素
→ art1: 所以之後就了解到 bs4 已經幫我們把 html 元素都解出來了
→ art1: 只要知道存在哪些對應的位置，並學會取出的語法就好
→ art1: 如果不懂 CSS 選擇器的話，用找字串的方式去處理比較沒效率
推 art1: 看別人寫爬蟲都是練習爬一些把資料整合呈現的網站，例如電影
→ art1: 相關、拍賣相關、股票相關之類的
→ alubasteve: 給art1,我還是第一次聽說CSS選擇器，請問這是軟體嗎63F 05/12 13:39
→ alubasteve: 請問你都推薦哪種?或是哪種網頁你比較推薦我去瞭解
→ alubasteve: 我以後要抓網頁的話,也是需要有一個好的起點,不然
→ alubasteve: 我這樣瞎猜也不是辦法，還是要對網頁架構有足夠瞭解
推 art1: developer.mozilla.org/zh-TW/docs/Glossary/CSS_Selector67F 05/12 15:41
→ art1: 前面自行加上https://
→ alubasteve: 多謝，原來mozilla就有資料,我只知道FIREFOX而已69F 05/12 18:02
推 jiyu520: google比別人給要來的更好70F 05/12 21:41
推 st1009: 右鍵 編輯html71F 05/13 21:33
→ st1009: 這樣就能複製了

--
※ 看板: terievv　文章推薦值: 0 目前人氣: 0 累積人氣: 299　
分享網址: 複製 已複製
r)回覆 e)編輯 d)刪除 M)收藏 ^x)轉錄 同主題: =)首篇 [)上篇 ])下篇