Python 用BeautifulSoup刮一系列桌子

我正在努力学习web抓取和python（以及编程），并找到了BeautifulSoup库，它似乎提供了很多可能性

我试图找出如何最好地从本页中提取相关信息：

我可以更详细地介绍这一点，但基本上是公司名称、相关描述、联系方式、各种公司详细信息/统计数据e.t.c

在这一阶段，我们将研究如何干净地隔离这些数据并对其进行刮取，以便在以后将其全部放入CSV或其他文件中

我不知道如何使用BS来获取不同的表数据。有很多tr和td标签，不知道如何定位到任何独特的东西上

我想到的最好的开始代码是：

from bs4 import BeautifulSoup
import urllib2

html = urllib2.urlopen("http://www.aidn.org.au/Industry-ViewCompany.asp?CID=3113")
soup = BeautifulSoup(html)
soupie = soup.prettify()
print soupie

然后使用regex e.t.c.从清理后的文本中提取数据

但一定有更好的方法使用BS树来实现这一点？或者这个网站的格式是BS不会提供更多帮助的吗

不寻找完整的解决方案，因为这是一个大问题，我想学习，但任何代码片段，让我在我的方式将不胜感激

更新

感谢下面的@ZeroPiraeus，我开始理解如何解析表格。以下是他的代码的输出：

=== Personnel ===
bodytext    Ms Gail Morgan CEO
bodytext    Phone: +61.3. 9464 4455 Fax: +61.3. 9464 4422
bodytext    Lisa Mayoh Sales Manager
bodytext    Phone: +61.3. 9464 4455 Fax: +61.3. 9464 4422 Email: bob@aerospacematerials.com.au

=== Company Details ===
bodytext    ACN: 007 350 807 ABN: 71 007 350 807 Australian Owned Annual Turnover: $5M - $10M Number of Employees: 6-10 QA: ISO9001-2008, AS9120B, Export Percentage: 5 % Industry Categories: AerospaceLand (Vehicles, etc)LogisticsMarineProcurement Company Email: lisa@aerospacematerials.com.au Company Website: http://www.aerospacematerials.com.au Office: 2/6 Ovata Drive Tullamarine VIC 3043 Post: PO Box 188 TullamarineVIC 3043 Phone: +61.3. 9464 4455 Fax: +61.3. 9464 4422
paraheading ACN:
bodytext    007 350 807
paraheading ABN:
bodytext    71 007 350 807
paraheading 
bodytext    Australian Owned
paraheading Annual Turnover:
bodytext    $5M - $10M
paraheading Number of Employees:
bodytext    6-10
paraheading QA:
bodytext    ISO9001-2008, AS9120B,
paraheading Export Percentage:
bodytext    5 %
paraheading Industry Categories:
bodytext    AerospaceLand (Vehicles, etc)LogisticsMarineProcurement
paraheading Company Email:
bodytext    lisa@aerospacematerials.com.au
paraheading Company Website:
bodytext    http://www.aerospacematerials.com.au
paraheading Office:
bodytext    2/6 Ovata Drive Tullamarine VIC 3043
paraheading Post:
bodytext    PO Box 188 TullamarineVIC 3043
paraheading Phone:
bodytext    +61.3. 9464 4455
paraheading Fax:
bodytext    +61.3. 9464 4422

我的下一个问题是，什么是将这些数据放入CSV的最佳方式，该CSV适合导入电子表格？例如，将“ABN”、“ACN”、“公司网站”e.t.c.等内容作为列标题，然后将相应的数据作为行信息

---

谢谢你的帮助。

我曾经在这条路上走过一次。我使用的html页面总是与表的格式相同，并且是公司内部的。我们确保客户知道，如果他们更改页面，很可能会中断编程。有了这个规定，我们就可以通过tr和td列表中的索引值来确定所有东西的位置。这远非拥有他们无法或不愿提供的XML数据的理想情况，但已经完美地工作了近一年。如果有人知道更好的答案，我也想知道。这是我第一次也是唯一一次使用Beautiful Soup，从那以后我就再也不需要它了，但它工作得很好。

您的代码将完全取决于您想要什么以及如何存储它，但这段代码应该让您了解如何从页面中获取相关信息：

import requests

from bs4 import BeautifulSoup

url = "http://www.aidn.org.au/Industry-ViewCompany.asp?CID=3113"
html = requests.get(url).text
soup = BeautifulSoup(html)

for feature_heading in soup.find_all("td", {"class": "Feature-Heading"}):
    print "\n=== %s ===" % feature_heading.text
    details = feature_heading.find_next_sibling("td")
    for item in details.find_all("td", {"class": ["bodytext", "paraheading"]}):
        print("\t".join([item["class"][0], " ".join(item.text.split())]))

我发现一个比

urllib2

更令人愉快的库，当然这取决于您

编辑：

在回答您的后续问题时，您可以使用以下内容来从所收集的数据编写CSV文件：

import csv
import requests

from bs4 import BeautifulSoup

columns = ["ACN", "ABN", "Annual Turnover", "QA"]
urls = ["http://www.aidn.org.au/Industry-ViewCompany.asp?CID=3113", ] # ... etc.

with open("data.csv", "w") as csv_file:
    writer = csv.DictWriter(csv_file, columns)
    writer.writeheader()
    for url in urls:
        soup = BeautifulSoup(requests.get(url).text)
        row = {}
        for heading in soup.find_all("td", {"class": "paraheading"}):
            key = " ".join(heading.text.split()).rstrip(":")
            if key in columns:
                next_td = heading.find_next_sibling("td", {"class": "bodytext"})
                value = " ".join(next_td.text.split())
                row[key] = value
        writer.writerow(row)

---

非常感谢@ZeroPiraeus。这大大有助于我制定出使用BS进行此类工作的策略。如果你不介意看一看的话，我已经用一个更进一步的问题修改了我的问题？不客气。。。但我想你的编辑一定被弄坏了；现在它只是说“谢谢”。是的，我不得不回到它。现在应该到了。哇，你在这里真的给了我很多帮助@ZeroPiraeus！非常感谢。那么，你大概会在每一页上划一行吧？这是个好主意，是的。