В предисловии скажу, что я новичок в Python, и я впервые использую BeautifulSoup. Любой вклад приветствуется.
Я пытаюсь извлечь все названия компаний и адреса электронной почты с этого сайта. Есть 3 уровня ссылок для обхода (список страниц в алфавитном порядке -> список компаний по буквам -> страница сведений о компании), и я впоследствии распечатаю их в csv.
До сих пор мне удавалось изолировать алфавитный список ссылок с помощью приведенного ниже кода, но я застрял, пытаясь изолировать разные страницы компании, а затем извлекая имя/адрес электронной почты из немаркированного html.
import re
import urllib2
from bs4 import BeautifulSoup
page = urllib2.urlopen('http://www.indiainfoline.com/Markets/Company/A.aspx').read()
soup = BeautifulSoup(page)
soup.prettify()
pattern = re.compile(r'^\/Markets\/Company\/\D\.aspx$')
all_links = []
navigation_links = []
root = "http://www.indiainfoline.com/"
# Finding all links
for anchor in soup.findAll('a', href=True):
all_links.append(anchor['href'])
# Isolate links matching regex
for link in all_links:
if re.match(pattern, link):
navigation_links.append(root + re.match(pattern, link).group(0))
navigation_links = list(set(navigation_links))
company_pages = []
for page in navigation_links:
for anchor in soup.findAll('table', id='AlphaQuotes1_Rep_quote') [0].findAll('a',href=True):
company_pages.append(root + anchor['href'])