python - 从具有 JSon 的站点爬取数据
问题描述
我想从网页https://www.balticshipping.com/vessels抓取数据,包括来自其详细信息页面的船舶信息,例如https://www.balticshipping.com/vessel/imo/9331713并将这些数据保存到 CSV表。转到下一页时,我看到 URL 没有改变,所以我不知道如何同时从所有页面获取数据。是否有任何特定方法可以将所有这些数据保存在一个 CSV 文件中? 下一个按钮检查视图
import requests
from bs4 import BeautifulSoup
baseurl ='https://www.balticshipping.com/'
headers= {'User-Agent': 'Mozilla/5.0'}
productlinks = []
response = requests.get('https://www.balticshipping.com/vessels')
soup = BeautifulSoup(response.content, 'html.parser')
productlist =soup.find_all('div', id="search_results")
#loop to get all href from ul
for item in productlist:
for link in item.find_all('a', href = True):
productlinks.append(baseurl + link['href'])
print(productlinks)
我尝试使用此代码从当前页面获取所有链接,但它给了我一个空的结果,可能在 'productlist =soup.find_all('div', id="search_results")' 行中有一些错误,因为它不需要通过使用 id 而不是类的任何数据。
解决方案
您可以通过 api 访问该数据。但请记住,您将遍历大约 7700 多页数据。
该'year_build'
列在 epoch 中,表示自 1970 年 1 月 1 日以来的秒数。因此只需将其转换为时间戳,然后从该日期时间时间戳中提取年份。
对于类型和国家,我们只需要找到关联的 id,然后可以创建一个字典,然后我们可以将 id 映射到相应的值。在这种情况下,我们从另一个请求中获取这些 id 和名称,只需要更改 post 表单数据中的参数即可。
import requests
import pandas as pd
url ='https://www.balticshipping.com/'
# Get Country and Type Ids and create a lookup dictionary
payload = {
'templates[]': ['modal_validation_errors:0',
'modal_email_verificate:0',
'r_vessel_types_multi:0',
'vessels_list:0',
'vessels:0'],
r'equest[0][module]': 'top_stat',
'request[0][action]': 'list',
'request[0][id]': '0',
'request[0][data]': '',
'request[0][sort]': '',
'request[0][limit]': '',
'request[0][stamp]': '0',
'dictionary[]': ['countrys:0',
'vessel_types:0']}
jsonData = requests.post(url, data=payload).json()
country_ids = pd.DataFrame(jsonData['data']['dictionary']['countrys']['array'])
country_ids_dict = dict(zip(country_ids['id'],country_ids['name']))
type_ids = pd.DataFrame(jsonData['data']['dictionary']['vessel_types']['array'])
type_ids_dict = dict(zip(type_ids['id'],type_ids['name']))
ships_found = True
page = 0
rows = []
#while ships_found:
for page in range(10):
payload = {
'request[0][module]': 'ships',
'request[0][action]': 'list',
'request[0][id]': '0',
'request[0][data][0][name]': 'search_id',
'request[0][data][0][value]': '0',
'request[0][data][1][name]': 'name',
'request[0][data][1][value]': '',
'request[0][data][2][name]': 'imo',
'request[0][data][2][value]': '',
'request[0][data][3][name]': 'page',
'request[0][data][3][value]': f'{page}',
'request[0][sort]': '',
'request[0][limit]': '27',
'request[0][stamp]': '0',
'request[1][module]': 'top_stat',
'request[1][action]': 'list',
'request[1][id]': '0',
'request[1][data]': '',
'request[1][sort]': '',
'request[1][limit]': '',
'request[1][stamp]': '0'}
jsonData = requests.post(url, data=payload).json()
if len(jsonData['data']['request'][0]['ships']) == 0:
ships_found = False
print('End of Pages.')
else:
for each in jsonData['data']['request'][0]['ships']:
row = each['data']
rows.append(row)
page += 1
print(page)
df = pd.DataFrame(rows)
# Convert the epoch to timestamp and pull out the year
df = df.rename(columns={'year_build':'epoch_year_build'})
df['year_build'] = pd.to_datetime(df['epoch_year_build'], unit='s').dt.year
# Use the lookup dictionaries to map the ids to corresponding names
df['country_name'] = df['flag_id'].map(country_ids_dict).fillna(df['flag_id'])
df['type_ship'] = df['type'].map(type_ids_dict).fillna(df['type'])
# SPLIT THE COLUMN
formerNames = df['former_names']
formerNames_merge = pd.DataFrame()
for idx, row in formerNames.iteritems():
try:
temp = pd.json_normalize(row)
temp.columns = ['formerNames_' + col for col in temp.columns]
temp.index = [idx] * len(temp)
except:
temp = pd.DataFrame()
formerNames_merge = formerNames_merge.append(temp)
df = pd.merge(df, formerNames_merge, how='left', left_index=True, right_index=True)
输出:
在这里,我只是展示了您谈到需要转换的列,但除此之外,以前存在的所有数据仍然为您提供。
print(df[['id','name','type','type_ship','flag_id','country_name','epoch_year_build','year_build']].head(5).to_string())
id name type type_ship flag_id country_name epoch_year_build year_build
0 166434 RED DIAMOND 9 Bulk carrier 99 Liberia 1293840000 2011.0
1 190081 LEDRA 9 Bulk carrier 44 Cyprus 1356998400 2013.0
2 246691 MESTA 26 Crude oil tanker 111 Marshall Islands 1609459200 2021.0
3 246690 CHASELKA 26 Crude oil tanker 197 Hong Kong 1483228800 2017.0
4 172285 EVANS 9 Bulk carrier 111 Marshall Islands 1230768000 2009.0
推荐阅读
- javascript - 如何使用鼠标滚轮和带有自定义导航的 MAC 触控板滑动 owl carousel 滑块和光滑滑块?
- machine-learning - 数据集不平衡,大小限制为 60mb,电子邮件分类
- java - 我无法将我的对象主体发送到有角度的两个输入字段中
- laravel - laravel 中的以下代码发送卖家(没有身份验证)邮件不起作用
- github - PyCharm 无法“从版本控制中签出”
- laravel-5 - 如何在 TDD 测试中运行 delete 方法?
- c# - 使我的 WinForms 应用程序在使用 Console.WriteLine() 时表现得像控制台应用程序一样
- python - 找不到 pip 包
- docker - 单节点 Kubernetes 集群上的 HPA 实现
- r - 使用officeR在闪亮中生成word报告