Python从Web抓取URL下载数据文件

我正在尝试开发一个自动化脚本，将以下数据文件下载到实用程序服务器，然后进行ETL相关处理。寻找蟒蛇的建议。不熟悉urllib、urllib2、Beauty soup、requests、mechanize、selenium等之间这种类型流程的当前最佳选项

“完全替换每月NPI文件”

文件名（和后续url）每月更改一次

以下是我目前的做法：

from bs4 import BeautifulSoup
import urllib 
import urllib2

soup = BeautifulSoup(urllib2.urlopen('http://nppes.viva-it.com/NPI_Files.html').read())

download_links = []

for link in soup.findAll(href=True):
    urls = link.get('href', '/')
    download_links.append(urls)

target_url = download_links[2]

urllib.urlretrieve(target_url , "NPI.zip")

我并不期待这个笨重的政府网站上的内容会发生变化，所以我觉得只要选择第三个元素就足够了。当然，如果我的整个方法是错误的，我欢迎纠正（数据分析是我个人的强项）。此外，如果我使用的是过时的库、非音速的实践或低性能选项，我肯定会欢迎更新和更好的

通常是获取网页的最简单方法

如果数据文件的名称遵循似乎合乎逻辑的模式

NPPES\u data\u disposition\u.zip

，您可以直接请求该模式

import requests

url = "http://nppes.viva-it.com/NPPES_Data_Dissemination_{}_{}.zip"
r = requests.get(url.format("March", 2015))

然后，数据将显示在

r.text

中

如果数据文件名不太确定，您可以获取网页并使用正则表达式搜索指向

zip

文件的链接

In [1]: import requests

In [2]: r = requests.get('http://nppes.viva-it.com/NPI_Files.html')

In [3]: import re

In [4]: re.findall('http.*NPPES.*\.zip', r.text)
Out[4]: 
['http://nppes.viva-it.com/NPPES_Data_Dissemination_March_2015.zip',
 'http://nppes.viva-it.com/NPPES_Deactivated_NPI_Report_031015.zip',
 'http://nppes.viva-it.com/NPPES_Data_Dissemination_030915_031515_Weekly.zip',
 'http://nppes.viva-it.com/NPPES_Data_Dissemination_031615_032215_Weekly.zip',
 'http://nppes.viva-it.com/NPPES_Data_Dissemination_032315_032915_Weekly.zip',
 'http://nppes.viva-it.com/NPPES_Data_Dissemination_033015_040515_Weekly.zip',
 'http://nppes.viva-it.com/NPPES_Data_Dissemination_100614_101214_Weekly.zip']

[4]中的正则表达式基本上表示查找以“http”开头、包含“NPPES”并以“.zip”结尾的字符串。 这还不够具体。让我们更改正则表达式，如下所示

In [5]: re.findall('http.*NPPES_Data_Dissemination.*\.zip', r.text)
Out[5]: 
['http://nppes.viva-it.com/NPPES_Data_Dissemination_March_2015.zip',
 'http://nppes.viva-it.com/NPPES_Data_Dissemination_030915_031515_Weekly.zip',
 'http://nppes.viva-it.com/NPPES_Data_Dissemination_031615_032215_Weekly.zip',
 'http://nppes.viva-it.com/NPPES_Data_Dissemination_032315_032915_Weekly.zip',
 'http://nppes.viva-it.com/NPPES_Data_Dissemination_033015_040515_Weekly.zip',
 'http://nppes.viva-it.com/NPPES_Data_Dissemination_100614_101214_Weekly.zip']

这将为我们提供所需文件的URL以及每周文件

In [6]: fileURLS = re.findall('http.*NPPES_Data_Dissemination.*\.zip', r.text)

让我们过滤掉每周的文件：

In [7]: [f for f in fileURLS if 'Weekly' not in f]
Out[7]: ['http://nppes.viva-it.com/NPPES_Data_Dissemination_March_2015.zip']

---

这是您要查找的URL。但整个方案确实取决于名称的规则性。您可以向正则表达式搜索添加标志，以放弃字母的大小写，这将使它接受更多

感谢您周到详细的回答！从我所看到的情况来看，在当今的大多数情况下，请求库似乎比urllib/Beauty soup更受欢迎。我将投资于学习未来请求的要点。