scraping - Cómo raspar las páginas siguientes en Python usando Beautifulsoup

python web scraping example

Question

Supongamos que estoy raspando una url

http://www.engineering.careers360.com/colleges/list-of-engineering-colleges-in-India?sort_filter=alpha

y no contiene páginas que contengan los datos que quiero borrar. Entonces, ¿cómo puedo raspar los datos de todas las páginas siguientes? Estoy usando Python 3.5.1 y Beautifulsoup. Nota: No puedo usar scrapy y lxml, ya que me está dando un error de instalación.

Answer 1

Determine la última página extrayendo el argumento de page del elemento "Ir a la última página". Y recorra todas las páginas manteniendo una sesión de raspado web mediante requests.Session() :

import re

import requests
from bs4 import BeautifulSoup


with requests.Session() as session:
    # extract the last page
    response = session.get("http://www.engineering.careers360.com/colleges/list-of-engineering-colleges-in-India?sort_filter=alpha")    
    soup = BeautifulSoup(response.content, "html.parser")
    last_page = int(re.search("page=(/d+)", soup.select_one("li.pager-last").a["href"]).group(1))

    # loop over every page
    for page in range(last_page):
        response = session.get("http://www.engineering.careers360.com/colleges/list-of-engineering-colleges-in-India?sort_filter=alpha&page=%f" % page)
        soup = BeautifulSoup(response.content, "html.parser")

        # print the title of every search result
        for result in soup.select("li.search-result"):
            title = result.find("div", class_="title").get_text(strip=True)
            print(title)

Huellas dactilares:

A C S College of Engineering, Bangalore
A1 Global Institute of Engineering and Technology, Prakasam
AAA College of Engineering and Technology, Thiruthangal
...