python - 网页抓取 - 过滤结果

Question

所以我对 python 很陌生，对网络抓取也很陌生，需要一些帮助。尽管我真的理解这门语言，但我还是设法将一些东西拼凑在一起(忽略双关语)。我正在尝试从某些 Steam 市场元素中获取价格，这就是我到目前为止所拥有的:

import urllib.request
import re

urls = ["http://steamcommunity.com/market/listings/730/AK-47%20%7C%20Redline%20%28Field-Tested%29"]
i=0
pattern = re.compile(b'<span class="market_listing_price market_listing_price_with_fee">\s+(.+?)\s+</span>')

while i< len(urls):
    htmlfile = urllib.request.urlopen(urls[i])
    htmltext = htmlfile.read()
    titles = re.findall (pattern,htmltext)

    print (titles)
    i+=1

这给出了这样的结果:

[b'471,50 pуб.', b'CDN$ 9.50', b'Rp 103 500.99', b'$8.39 USD', b'$8.40 USD', b'499,99 pуб.', b'499,99 pуб.', b'6,90€', b'6,90€', b'6,90€']

正如你所看到的，这对眼睛来说一点也不友好，我想要得到的只是最便宜的商品的价格(仅美元)(在本例中:b'&# 36;8.39 美元')。如何过滤结果，使其只给出列表中的最低价格，如下所示:8.39 USD。

正如我之前所说，我对 python 和网络抓取非常陌生，因此可能需要更多关于代码的帮助。

Answer 1

使用 HTML 解析器，例如 BeautifulSoup .

这个想法是迭代结果(id为searchResultsRows的div)并获取具有market_listing_price类的所有span元素.然后，对于每个span，使用正则表达式提取价格:

import re
import urllib.request

from bs4 import BeautifulSoup

urls = ["http://steamcommunity.com/market/listings/730/AK-47%20%7C%20Redline%20%28Field-Tested%29"]

pattern = re.compile(r'([0-9\.,]+)')
for url in urls:
    soup = BeautifulSoup(urllib.request.urlopen(url))

    prices = []
    for price in soup.select('div#searchResultsRows span.market_listing_price'):
        match = pattern.search(price.text)
        if match:
            prices.append(float(match.group(1).replace(',', '.')))

    print(prices)

打印:

[6.26, 5.45, 458.0, 398.27, 57.5, 50.0, 8.0, 6.97, 8.12, 7.07, 6.8, 5.92, 499.99, 434.79, 6.87, 5.99, 502.97, 437.38, 6.9, 6.0]

顺便说一句，您可能已经注意到，没有单一的货币设置，每种价格都有自己的货币 - 这也是您需要考虑的。