Python：用一行代码在几秒钟内抓取任何网站

正在寻找最强大的 Python 抓取工具？不要再看了！这一行代码将使您立即启动并运行。

Scrapeasy

Scrapeasy 是一个 Python 库，可以轻松抓取网页并从中提取数据。它可用于从单个页面抓取数据或从多个页面抓取数据。它还可用于从 PDF 和 HTML 表格中提取数据。

Scrapeasy 让你只用一行代码就可以用 python 抓取网站。它非常易于使用并为您处理一切。只需指定您要抓取的网站以及您想要接收什么样的数据，其余的交给 Scrapeasy。

Scrapeasy Python 爬虫在编写时考虑到了快速使用。它提供以下主要功能

• 一键抓取网站——不仅仅是单个页面。
• 最常见的抓取活动（接收链接、图像或视频）已经实现。
• 从抓取的网站接收特殊文件类型，如 .php 或 .pdf 数据。

如何使用 Scrapeasy

Download via pip

$ pip install scrapeasy

Using it
Scraeasy 的编程考虑到了易用性。首先，从 Scrapeasy 导入网站和页面

from scrapeasy import Website, Page

Initialize a Website

首先，让我们创建一个新的网站对象。对于这种方式，只需提供主页的 URL。我将使用我多年前创建的网站的 URL：

web =Website("https://tikocash.com/solange/index.php/2022/04/13/how-do-you-control-irrational-fear-and-overthinking/")

获取所有子站点的链接

好的，现在我们的网站已经初始化，我们对 tikocash.com 上存在的所有子网站感兴趣。要找出这一点，请让 Web 对象接收所有子页面的链接。

links = web.getSubpagesLinks()

根据您的本地互联网连接和您正在抓取的域的服务器速度，此请求可能需要一段时间。确保不要使用这种非常庞大的方法刮掉整个网页。

但回到链接获取：通过调用 .getSubpagesLinks()，您请求所有子页面作为链接，并将收到一个 URL 列表。

links2 = web.getSubpagesLinks()

您可能已经注意到缺少典型的 http://www.-stuff。这是没有目的的，并且使您的生活更容易进一步使用链接。但请确保——当你真正想在浏览器中或通过请求调用它们时——添加 http://www.在每个链接前面。[0][1]

Find media

让我们尝试找到指向 fahrschule-liechti.com 放置在其网站上的所有图像的链接。我们通过调用 .getImages() 方法来做到这一点。

images = web.getImages()

响应将包括指向所有可用图像的链接。

Download media

凉爽的！现在让我们做一些更高级的事情。我们喜欢 tikocash.com 在其网站上的图片，所以让我们将它们全部下载到我们的本地磁盘。听起来工作量很大？其实很简单！

web.download("img", "fahrschule/images")

首先，我们定义通过关键字 img 下载所有图像媒体。接下来，我们定义输出文件夹，图像应保存到的位置。就是这样！运行代码，看看发生了什么。几秒钟之内，您就收到了 Tikocash.com 上的所有图片。

Get linked domains

接下来，让我们找出 tikocash.com 链接到哪些页面。为了获得总体概述，让我们找出它链接到的其他域。出于这个原因，我们指定只获取域链接。

domains = web.getLinks(intern=False, extern=False, domain=True)

我们得到的是在 tikocash.com 上链接的所有域的列表

好的，但现在我们想进一步了解这些链接。我们如何做到这一点？

Get linked domains

好吧，更详细的链接只不过是外部链接。所以我们做了同样的请求，但这次包括外部，但不包括域。

domains = web.getLinks(intern=False, extern=True, domain=False)

今天，我们将详细了解所有外部链接。

Initialize a Page

好的，到目前为止，我们已经看到了很多关于网站的东西，但是我们还没有发现 Page 是做什么的。好吧，如前所述，该页面只是网站中的一个站点。让我们通过初始化 w3 学校页面来尝试不同的示例。

w3 = Page("https://www.w3schools.com/html/html5_video.asp")

如果您还没有猜到，您很快就会明白为什么我选择了这个页面。

Downloading Videos

是的，你没听错。 Scrapeasy 可让您在几秒钟内从网页下载视频。让我们来看看如何。

w3.download("video", "w3/videos")

是的，仅此而已。只需指定要将所有视频媒体下载到输出文件夹 w3/videos 中，就可以开始了。当然，您也可以只收到视频的链接，然后再下载，但这会不太酷。

video_links = w3.getVideos()

下载其他文件类型（如 pdf 或图片）

现在让我们更笼统地说。下载特殊文件类型，如 .pdf、.php 或 .ico 怎么样？使用通用的 .get() 方法接收链接，或使用文件类型作为参数的 .download() 方法。

calendar_links = Page("https://tikocash.com").get("php")

Done.

现在让我们下载一些 PDF。

Page("http://mathcourses.ch/mat182.html").download("pdf", "mathcourses/pdf-files")

总之，Python 是一种通用语言，只需一行代码即可在几秒钟内抓取任何网站。这使其成为网络抓取和数据挖掘的强大工具。因此，如果您需要从网站中提取数据，Python 是适合您的工具。

Reference:
请参阅 Scrapeasy GitHub 页面 (https://github.com/joelbarmettlerUZH/Scrapeasy) 以获取文章参考。

如果你喜欢这篇文章，请关注我并给我鼓掌。我将不胜感激！先感谢您。[0]

你想给你的生活赋能吗？

如果您还不是 Medium 会员，那么您将错过很多精彩内容。
每月只需​​ 5 美元，您就可以无限制地访问 Medium 的所有文章。这是一笔令人难以置信的交易，您无需支付额外费用。[0]

所以不要等待 – 立即注册并开始享受 Medium 所提供的一切。[0]