Schönes Suppenkratzen

Question

Ich habe Probleme mit altem Arbeitscode, der nicht mehr richtig funktioniert.

Mein Python-Code kratzt eine Website mit wunderschöner Suppe und extrahiert Ereignisdaten (Datum, Ereignis, Link).

Mein Code ruft alle Ereignisse ab, die sich in der befinden tbody. Jedes Ereignis wird in einem gespeichert <tr class="Box">. Das Problem ist, dass mein Scraper danach zu stoppen scheint. <tr style ="box-shadow: none;>Nachdem er diesen Abschnitt erreicht hat (dies ist ein Abschnitt, der 3 Anzeigen auf der Site für Ereignisse enthält, die ich nicht scrapen möchte), hört der Code auf, Ereignisdaten aus dem zu ziehen <tr class="Box">. Gibt es eine Möglichkeit, diesen tr-Stil zu überspringen / zukünftige Fälle zu ignorieren?

import pandas as pd
import bs4 as bs
from bs4 import BeautifulSoup
import urllib.request
import warnings
warnings.filterwarnings("ignore", category=UserWarning, module='bs4')

source = urllib.request.urlopen('https://10times.com/losangeles-us/technology/conferences').read()
soup = bs.BeautifulSoup(source,'html.parser')
   #---Get Event Data---
    test1=[]
    table = soup.find('tbody')
    table_rows = table.find_all('tr') #find table rows (tr)
    for x in table_rows:   
        data = x.find_all('td')  #find table data
        row = [x.text for x in data]
        if len(row) > 2: #Exlcudes rows with only event name/link, but no data.
            test1.append(row)
test1

Answer 1

Die Daten werden dynamisch über JavaScript geladen, sodass Sie keine weiteren Ergebnisse sehen. Mit diesem Beispiel können Sie weitere Seiten laden:

import requests
from bs4 import BeautifulSoup


url = "https://10times.com/ajax?for=scroll&path=/losangeles-us/technology/conferences"
params = {"page": 1, "ajax": 1}
headers = {"X-Requested-With": "XMLHttpRequest"}

for params["page"] in range(1, 4):  # <-- increase number of pages here
    print("Page {}..".format(params["page"]))
    soup = BeautifulSoup(
        requests.get(url, headers=headers, params=params).content,
        "html.parser",
    )
    for tr in soup.select('tr[class="box"]'):
        tds = [td.get_text(strip=True, separator=" ") for td in tr.select("td")]
        print(tds)

Drucke:

Page 1..
['Tue, 29 Sep - Thu, 01 Oct 2020', 'Lens Los Angeles', 'Intercontinental Los Angeles Downtown, Los Angeles', 'LENS brings together the entire Degreed community - our clients, invited prospective clients, thought leaders, partners, employees, executives, and industry experts for two days of discussion, workshops,...', 'Business Services IT & Technology', 'Interested']
['Wed, 30 Sep - Sat, 03 Oct 2020', 'FinCon', 'Long Beach Convention & Entertainment Center, Long Beach 20.1 Miles from Los Angeles', 'FinCon will be helping financial influencers and brands create better content, reach their audience, and make more money. Collaborate with other influencers who share your passion for making personal finance...', 'Banking & Finance IT & Technology', 'Interested 7 following']
['Mon, 05  - Wed, 07 Oct 2020', 'NetDiligence Cyber Risk Summit', 'Loews Santa Monica Beach Hotel, Santa Monica 14.6 Miles from Los Angeles', 'NetDiligence Cyber Risk Summit will conference are attended by hundreds of cyber risk insurance, legal/regulatory and security/privacy technology leaders from all over the world. Connect with leaders in...', 'IT & Technology', 'Interested']

... etc.