从 .csv 中读取 URL 列表以使用 Python、BeautifulSoup、Pandas 进行抓取

Question

这是另一个问题 (Reading URLs from .csv and appending scrape results below previous with Python, BeautifulSoup, Pandas) 的一部分，@HedgeHog 慷慨回答，@QHarr 提供了帮助。现在将此部分作为一个单独的问题发布。

在下面的代码中，我将 3 个示例源 URL 粘贴到代码中，它可以工作。但是我有一长串要抓取的 URL（1000+），它们存储在 .csv 文件的第一列中（我们称之为“urls.csv”）。我宁愿直接从该文件中读取。

我想我知道“with open”的基本结构（例如@bguest 在下面回答它的方式），但我在如何将其链接到其余代码时遇到问题，以便其余部分继续工作.如何用 .csv 的迭代读取替换 URL 列表，以便将 URL 正确传递到代码中？

import requests
from bs4 import BeautifulSoup
import pandas as pd

urls = ['https://www.marketresearch.com/Infiniti-Research-Limited-v2680/Global-Induction-Hobs-30196623/',
        'https://www.marketresearch.com/Infiniti-Research-Limited-v2680/Global-Human-Capital-Management-30196628/',
        'https://www.marketresearch.com/Infiniti-Research-Limited-v2680/Global-Probe-Card-30196643/']
data = []

for url in urls:
    page = requests.get(url)
    soup = BeautifulSoup(page.text, 'html.parser')
    toc = soup.find("div", id="toc")


    def get_drivers():
        data.append({
            'url': url,
            'type': 'driver',
            'list': [x.get_text(strip=True) for x in toc.select('li:-soup-contains-own("Market drivers") li')]
        })


    get_drivers()


    def get_challenges():
        data.append({
            'url': url,
            'type': 'challenges',
            'list': [x.get_text(strip=True) for x in toc.select('li:-soup-contains-own("Market challenges") ul li') if
                     'Table Impact of drivers and challenges' not in x.get_text(strip=True)]
        })


    get_challenges()

pd.concat([pd.DataFrame(data)[['url', 'type']], pd.DataFrame(pd.DataFrame(data).list.tolist())],
          axis=1).to_csv('output.csv')

Answer 1

由于您使用的是 pandas，read_csv 将为您解决问题：https://pandas.pydata.org/docs/reference/api/pandas.read_csv.html

如果你想自己写，你可以使用内置的 csv 库

import csv

with open('urls.csv', newline='') as csvfile:
    reader = csv.DictReader(csvfile)
    for row in reader:
        print(row["url"])

编辑：被问及如何让其余代码使用 csv 中的 url。

首先将网址放入 urls.csv 文件中

url
https://www.google.com
https://www.facebook.com

现在从 csv 中收集 url

import csv

with open('urls.csv', newline='') as csvfile:
    reader = csv.DictReader(csvfile)

    urls = [row["url"] for row in reader]

# remove the following lines
urls = ['https://www.marketresearch.com/Infiniti-Research-Limited-v2680/Global-Induction-Hobs-30196623/',
        'https://www.marketresearch.com/Infiniti-Research-Limited-v2680/Global-Human-Capital-Management-30196628/',
        'https://www.marketresearch.com/Infiniti-Research-Limited-v2680/Global-Probe-Card-30196643/']

现在剩下的代码应该使用这些网址