前不久，我在 LearnML 子论坛上看到一篇帖子。楼主在这篇帖子中提到，他需要为自己的机器学习项目抓取网页数据。很多人在回帖中给出了自己的方法，主要是学习如何使用 BeautifulSoup 和 Selenium。

我曾在一些 数据科学项目中使用过 BeautifulSoup 和 Selenium。在本文中，我将告诉你如何用一些有用的数据抓取一个网页，并将其转换成 pandas 数据结构（DataFrame）。

为什么要将其转换成数据结构呢？这是因为大部分机器学习库都能处理 pandas 数据结构，并且只需少量修改就可对你的模型进行编辑。

首先，我们要在维基百科上找到一个表来转换成数据结构。我抓取的这张表，展示的是维基百科上浏览量最大的运动员数据。

其中一项大量的工作就是，通过浏览 HTML 树来得到我们需要的表。

通过 request 和 regex 库，我们开始使用 BeautifulSoup。

复制代码

下面，我们将从网页中提取 HTML 代码：

复制代码

从语料库中收集所有的表，我们有一个较小的表面区域来搜索。

复制代码

因为存在很多表，所以需要一种过滤它们的方法。

据我们所知，Cristiano Ronaldo（也就是葡萄牙足球运动员 C 罗）有一个锚标记，这可能在几个表中是独一无二的。

通过 Cristiano Ronaldo 文本，我们可以过滤那些被锚标记的表。此外，我们还发现一些包含这个锚标记的父元素。

复制代码

父元素只显示单元格。

这是一个带有浏览器 web 开发工具的单元格。

复制代码

利用 tbody，我们可以返回包含以前的锚标记的其他表。

为进一步过滤，我们可以在以下表中的不同标题进行搜索：

复制代码

第三张看起来很像我们所需要的表。

接下来，我们开始创建必要的逻辑来提取并清理我们需要的细节。

复制代码

分解一下：

复制代码

下面我们从上面的列表中选择第三个元素。这就是我们需要的表。

接下来创建一个空列表，用于存储每行的详细信息。在遍历这个表的时候，建立一个循环，遍历表中的每一行，并将其保存到 rows 变量中。

复制代码

复制代码

建立了嵌套的循环。遍历上一个循环中保存的每个行。在遍历这些单元格时，我们将每个单元格保存在一个新的变量。

复制代码

这段简短的代码允许我们在从单元格中提取文本时，避免空单元格并防止发生错误。

复制代码

在此，我们将各种单元格清理为纯文本格式。清除后的值保存在其列名下的变量中。

复制代码

此处，我们向行列表添加这些值。然后输出清理后的值。

复制代码

下面将其转换为数据结构：

复制代码

现在你可以在机器学习项目中使用的 pandas 数据结构了。你可以使用自己喜欢的库来拟合模型数据。

作者介绍：

Tobi Olabode，对技术感兴趣，目前主要关注机器学习。

原文链接：

https://blog.devgenius.io/how-to-scrape-a-website-for-your-ml-project-c3a4d6f160c7