Как организовать данные в файл JSON, созданный с помощью Webscraping - PullRequest
Новая
       9

Как организовать данные в файл JSON, созданный с помощью Webscraping

0 голосов
/ 01 января 2019

Я пытаюсь получить заголовки статей из новостей Yahoo и упорядочить их в файле json.Когда я записываю данные в файл json, мне кажется, что их сложно читать.Как бы я организовал данные, либо после дампа, либо с самого начала?

Это для веб-проекта, где я должен получить главные новостные статьи и их тела и экспортировать их в файл json, который можетзатем отправьте в чужую программу.Сейчас я просто работаю над получением заголовков с финансовой страницы Yahoo. 

import requests
import json
from bs4 import BeautifulSoup

#Getting webpage
page = requests.get("https://finance.yahoo.com/")
soup = BeautifulSoup(page.content, 'html.parser') #creating instance of class to parse the page
#Getting article title
title = soup.find_all(class_="Mb(5px)")
desc = soup.find_all(class_="Fz(14px) Lh(19px) Fz(13px)--sm1024 Lh(17px)--    sm1024 LineClamp(3,57px) LineClamp(3,51px)--sm1024 M(0)")
#Getting article bodies
page2 = requests.get("https://finance.yahoo.com/news/warren-buffett-suggests-read-19th-204800450.html")
soup2 = BeautifulSoup(page2.content, 'html.parser')
body = soup.find_all(class_="canvas-atom canvas-text Mb(1.0em) Mb(0)--sm 
Mt(0.8em)--sm", id="15")


#Organizing data for export
data = {'title1': title[0].get_text(),
    'title2': title[1].get_text(),
    'title3': title[2].get_text(),
    'title4': title[3].get_text(),
    'title5': title[4].get_text()}  

#Exporting the data to results.json
with open("results.json", "w") as write_file:
  json.dump(str(data), write_file)

Это то, что заканчивается записью в файле json (на момент написания этого поста): 

"{'title1': 'These US taxpayers face higher payments thanks to new law', 
'title2': 'These 12 Stocks Are the Best Values in 2019, According to Pros 
Who\u2019ve Outsmarted the Market', '\\ntitle3': 'The Best Move You Can     
Make With Your Investments in 2019, According to 5 Market Professionals', 
'title4': 'The auto industry said goodbye to a lot of cars in 2018', 
'title5': '7 Stock Picks From Top-Rated Wall Street Analysts'}"

Я хотел бы написать код, чтобы каждый заголовок статьи отображался в отдельной строке и удалялся случайные символы, появляющиеся посередине.

Ответы [ 2 ]

0 голосов
/ 01 января 2019 
import requests
import json
from bs4 import BeautifulSoup
#Getting webpage
page = requests.get("https://finance.yahoo.com/")
soup = BeautifulSoup(page.content, 'html.parser') #creating instance of class to parse the page
#Getting article title
title = soup.find_all(class_="Mb(5px)")
desc = soup.find_all(class_="Fz(14px) Lh(19px) Fz(13px)--sm1024 Lh(17px)--    sm1024 LineClamp(3,57px) LineClamp(3,51px)--sm1024 M(0)")
#Getting article bodies
page2 = requests.get("https://finance.yahoo.com/news/warren-buffett-suggests-read-19th-204800450.html")
soup2 = BeautifulSoup(page2.content, 'html.parser')
body = soup.find_all(class_="canvas-atom canvas-text Mb(1.0em) Mb(0)--sm Mt(0.8em)--sm", id="15")
title=[x.get_text().strip() for x in title]
limit=len(title) #change this to 5 if you need only the first 5
data={"title"+str(i+1):title[i] for i in range(0,limit)}
with open("results.json", "w",encoding='utf-8') as write_file:
        write_file.write(json.dumps(data, ensure_ascii=False,indent=4))

results.json: 

{
    "title1": "These 12 Stocks Are the Best Values in 2019, According to Pros Who’ve Outsmarted the Market",
    "title2": "These US taxpayers face higher payments thanks to new law",
    "title3": "The Best Move You Can Make With Your Investments in 2019, According to 5 Market Professionals",
    "title4": "Cramer Remix: Here's where your first $10,000 should be i...",
    "title5": "The auto industry said goodbye to a lot of cars in 2018",
    "title6": "Ocado Pips Adyen to Take Crown of 2018's Best European Stock",
    "title7": "7 Stock Picks From Top-Rated Wall Street Analysts",
    "title8": "Buy IBM Stock as It Begins 2019 as the Cheapest Dow Component",
    "title9": "$70 Oil Could Be Right Around The Corner",
    "title10": "What Is the Highest Credit Score and How Do You Get It?",
    "title11": "Silver Price Forecast – Silver markets stall on New Year’s Eve",
    "title12": "This Chart Says the S&P 500 Could Rebound in 2019",
    "title13": "Should You Buy Some Berkshire Hathaway Stock?",
    "title14": "How Much Does a Financial Advisor Cost?",
    "title15": "Here Are the World's Biggest Billionaire Winners and Losers of 2018",
    "title16": "Tax tips: What you need to know before you file your taxes in 2019",
    "title17": "Kevin O’Leary: Make This Your Top New Year’s Resolution",
    "title18": "Dakota Access pipeline developer slow to replace some trees",
    "title19": "Einhorn's Greenlight Extends Decline to 34% in Worst Year",
    "title20": "4 companies to watch in 2019",
    "title21": "What Is My Debt-to-Income Ratio?",
    "title22": "US recession unlikely, market volatility to continue in 2019, El-Erian says",
    "title23": "Fidelity: Ignore stock market turbulence and stick to long-term goals",
    "title24": "Tax season: How you can come out a winner",
    "title25": "IBD 50 Growth Stocks To Watch"
}
0 голосов
/ 01 января 2019

Я запустил твой код, но у меня не было такого результата, как у тебя.Вы определили 'title3', который является константой, но вы получили '\ n', чего я на самом деле не получил в моем случае.Между прочим, вы получали /, потому что вы не правильно закодировали его, как 'utf8', и ascii гарантированно установили в false.Я бы предложил два изменения, таких как - синтаксический анализатор 'lxml', а не 'html.parser' и этот фрагмент кода: 

with open("results.json", "w",encoding='utf8') as write_file:
    json.dump(str(data), write_file ,ensure_ascii=False)

это полностью сработало для меня / исключены проблемы ascii, а также решены.

...