python网页信息_利用python处理网页信息

在前几周的grep/sed/awk实战中提到，“和CoreSite - Any2 California接入商建立网络BGP邻居关系。从peeringdb上找到了所有接入商的信息，但是转移信息到本地不是很方便，需要进行多次文本调整，耗时较长。作为萌新，立马就想到近期学习的grep/sed/awk工具。于是就尝试处理数据。”因为当时是刚学习了linux正则的这三个工具，就立马利用了起来，权当练手。在文末也曾提到所有的操作其实都可以通过python完成。

恰巧近几天，又学习了python抓取页面提取信息的一些知识。因此，就同样的内容，再次以python的方式去处理。

▎元素样本：

Zenlayer Inc

21859

206.72.210.119

None

20G

Open

▎处理思路：

▎简易版脚本：#/usr/bin/env python

import requests,bs4

headers={'User-Agent': 'Mozilla/5.0 (X11; Ubuntu; Linux x86_64; rv:24.0) Gecko/20100101 Firefox/24.0'}

url='https://www.peeringdb.com/ix/142'

peering=requests.get(url,headers=headers)

peering.raise_for_status()

peers=bs4.BeautifulSoup(peering.text[:],'html.parser')

elemPeer=peers.select('.peer a')

elemASN=peers.select('.asn')

elemIP4=peers.select('.ip4')

elemSpeed=peers.select('.speed')

elemPolicy=peers.select('.policy')

if __name__=='__main__':

for i in range(len(elemPeer)):

print(elemPeer[i].getText()+'*'+elemASN[i].getText()+'*'+elemIP4[i].getText()+'*'+elemSpeed[i].getText()+'*'+elemPolicy[i].getText())

作为简易版，这里没有做任何的异常处理，也没有对各个元素的list进行长度比较。这部分在后期可以考虑加上。代码相关的解释参见学习笔记，主要运用了requests和BeautifulSoup两个模块。需要解释的是，elemPeer这个变量在处理的时候，因为“class="peer"”内还有一行“Zenlayer Inc”，因此还需要加上“a”元素精确定位抓取。

▎运行效果：

由于测试系统为CentOS 7，不支持Excel，因此这里不使用openpyxl模块导入EXCEL文件里这个功能。暂时改为手动处理。

阅读者如有兴趣，可优化代码，并深入处理，如：登录网站、爬虫每个接入商的页面，提取其他信息等。

对比此文和前次利用grep/sed/awk处理的两种方式，可以发现python版的处理方式更为简洁，人工处理的部分更少。由此，可以看到python在处理大数据信息上的优势。