利用python处理网页信息
在前几周的grep/sed/awk实战中提到，“和CoreSite - Any2 California接入商建立网络BGP邻居关系。从peeringdb上找到了所有接入商的信息，但是转移信息到本地不是很方便，需要进行多次文本调整，耗时较长。作为萌新，立马就想到近期学习的grep/sed/awk工具。于是就尝试处理数据。”因为当时是刚学习了linux正则的这三个工具，就立马利用了起来，权当练手。在文末也曾提到所有的操作其实都可以通过python完成。恰巧近几天，又学习了python抓取页面提取信息的一些知识。因此，就同样的内容，再次以python的方式去处理。
▎元素样本：
<div class="row item">
<div class="col-xs-5 col-sm-5 col-md-5">
<div class="peer" data-sort-value="zenlayer inc" data-filter-value="Zenlayer Inc">
<a href="/net/1234">Zenlayer Inc</a>
</div>
<div class="asn" data-sort-value="21859" data-filter-value="21859">21859</div>
</div>
<div class="col-xs-4 col-sm-4 col-md-4">
<div class="ip4" data-filter-value="206.72.210.119">206.72.210.119</div>
<div class="ip6" data-filter-value="None">None</div>
</div>
<div class="col-xs-3 col-sm-3 col-md-3">
<div class="speed" data-sort-value="20000" data-filter-value="20G">20G</div>
<div class="policy" data-filter-value="Open">Open</div>
</div>
</div>
▎处理思路：
▎简易版脚本：
#/usr/bin/env python
import requests,bs4
headers={'User-Agent': 'Mozilla/5.0 (X11; Ubuntu; Linux x86_64; rv:24.0) Gecko/20100101 Firefox/24.0'}
url='https://www.peeringdb.com/ix/142'
peering=requests.get(url,headers=headers)
peering.raise_for_status()
peers=bs4.BeautifulSoup(peering.text[:],'html.parser')
elemPeer=peers.select('.peer a')
elemASN=peers.select('.asn')
elemIP4=peers.select('.ip4')
elemSpeed=peers.select('.speed')
elemPolicy=peers.select('.policy')
if __name__=='__main__':
for i in range(len(elemPeer)):
print(elemPeer.getText()+'*'+elemASN.getText()+'*'+elemIP4.getText()+'*'+elemSpeed.getText()+'*'+elemPolicy.getText())
作为简易版，这里没有做任何的异常处理，也没有对各个元素的list进行长度比较。这部分在后期可以考虑加上。代码相关的解释参见学习笔记，主要运用了requests和BeautifulSoup两个模块。需要解释的是，elemPeer这个变量在处理的时候，因为“class="peer"”内还有一行“<a href="/net/1234">Zenlayer Inc</a>”，因此还需要加上“a”元素精确定位抓取。
▎运行效果：
由于测试系统为CentOS 7，不支持Excel，因此这里不使用openpyxl模块导入EXCEL文件里这个功能。暂时改为手动处理。
阅读者如有兴趣，可优化代码，并深入处理，如：登录网站、爬虫每个接入商的页面，提取其他信息等。
对比此文和前次利用grep/sed/awk处理的两种方式，可以发现python版的处理方式更为简洁，人工处理的部分更少。由此，可以看到python在处理大数据信息上的优势。
页:
[1]