注意：不是 chatGPT/LLM 的輸出

資料抓取是從公共網(wǎng)路來源收集資料的過程，主要是使用腳本以自動化方式完成。由於自動化，收集的資料常常有錯誤，需要過濾和清理才能使用。不過，如果抓取的資料能夠在抓取過程中得到驗證，那就更好了。

考慮到資料驗證的要求，大多數(shù)抓取框架（如Scrapy）都有可用於資料驗證的內(nèi)建模式。然而，很多時候，在資料抓取過程中，我們經(jīng)常只使用通用模組，例如 requests 和 beautifulsoup 進(jìn)行抓取。在這種情況下，很難驗證收集到的數(shù)據(jù)，因此這篇部落格文章解釋了一種使用 Pydantic 進(jìn)行資料抓取和驗證的簡單方法。
https://docs.pydantic.dev/latest/
Pydantic 是一個資料驗證 Python 模組。它也是流行的 api 模組 FastAPI 的骨幹，就像 Pydantic 一樣，還有其他 python 模組，可用於資料抓取期間的驗證。然而，這篇部落格探討了 pydantic，這裡是替代套件的連結(jié)（您可以嘗試使用任何其他模組更改 pydantic 作為學(xué)習(xí)練習(xí)）

• Cerberus 是一個輕量級且可擴充的 Python 資料驗證函式庫。 https://pypi.org/project/Cerberus/

刮痧計劃：

在此部落格中，我們將從報價網(wǎng)站中刪除報價。
我們將使用requests 和beautifulsoup 來獲取資料將創(chuàng)建一個pydantic 資料類別來驗證每個抓取的資料將過濾和驗證的資料保存在json文件中。

為了更好的安排和理解，每個步驟都實作為可以在 main 部分下使用的 python 方法。

基本導(dǎo)入

import requests # for web request
from bs4 import BeautifulSoup # cleaning html content

# pydantic for validation

from pydantic import BaseModel, field_validator, ValidationError

import json

1. 目標(biāo)站點並取得報價

我們正在使用 (http://quotes.toscrape.com/) 來抓取報價。每個引用將包含三個欄位：quote_text、作者和標(biāo)籤。例如：

下面的方法是取得給定 url 的 html 內(nèi)容的通用腳本。

def get_html_content(page_url: str) -> str:
    page_content =""
    # Send a GET request to the website
    response = requests.get(url)
    # Check if the request was successful (status code 200)
    if response.status_code == 200:
        page_content = response.content
    else:
        page_content = f'Failed to retrieve the webpage. Status code: {response.status_code}'
    return page_content

2. 抓取報價數(shù)據(jù)

我們將使用 requests 和 beautifulsoup 從給定的 url 中抓取資料。流程分為三個部分：1）從網(wǎng)路取得 html 內(nèi)容 2）為每個目標(biāo)欄位擷取所需的 html 標(biāo)籤 3）從每個標(biāo)籤取得值

import requests # for web request
from bs4 import BeautifulSoup # cleaning html content

# pydantic for validation

from pydantic import BaseModel, field_validator, ValidationError

import json

def get_html_content(page_url: str) -> str:
    page_content =""
    # Send a GET request to the website
    response = requests.get(url)
    # Check if the request was successful (status code 200)
    if response.status_code == 200:
        page_content = response.content
    else:
        page_content = f'Failed to retrieve the webpage. Status code: {response.status_code}'
    return page_content

下面的腳本從每個報價的 div 中取得資料點。

def get_tags(tags):
    tags =[tag.get_text() for tag in tags.find_all('a')]
    return tags

3. 建立 Pydantic 資料類別並驗證每個報價的數(shù)據(jù)

根據(jù)引用的每個字段，建立一個 pydantic 類別並在資料抓取期間使用相同的類別進(jìn)行資料驗證。

pydantic 模型引用

下面是從 BaseModel 擴展而來的 Quote 類，具有三個字段，如 quote_text、作者和標(biāo)籤。其中，quote_text 和author 是字串（str）類型，tags 是清單類型。

我們有兩個驗證器方法（有裝飾器）：

1）tags_more_than_two（）：將檢查它是否必須有兩個以上的標(biāo)籤。 （這只是舉例，你可以在這裡有任何規(guī)則）

2.) check_quote_text()：此方法將從引用中刪除「」並測試文字。

def get_quotes_div(html_content:str) -> str :    
    # Parse the page content with BeautifulSoup
    soup = BeautifulSoup(html_content, 'html.parser')

    # Find all the quotes on the page
    quotes = soup.find_all('div', class_='quote')

    return quotes

取得和驗證數(shù)據(jù)

使用 pydantic 進(jìn)行資料驗證非常簡單，例如下面的程式碼，將抓取的資料傳遞給 pydantic 類別 Quote。

    # Loop through each quote and extract the text and author
    for quote in quotes_div:
        quote_text = quote.find('span', class_='text').get_text()
        author = quote.find('small', class_='author').get_text()
        tags = get_tags(quote.find('div', class_='tags'))

        # yied data to a dictonary 
        quote_temp ={'quote_text': quote_text,
                'author': author,
                'tags':tags
        }

class Quote(BaseModel):
    quote_text:str
    author:str
    tags: list

    @field_validator('tags')
    @classmethod
    def tags_more_than_two(cls, tags_list:list) -> list:
        if len(tags_list) <=2:
            raise ValueError("There should be more than two tags.")
        return tags_list

    @field_validator('quote_text')
    @classmethod    
    def check_quote_text(cls, quote_text:str) -> str:
        return quote_text.removeprefix('“').removesuffix('”')

4. 儲存數(shù)據(jù)

資料經(jīng)過驗證後，將儲存到 json 檔案中。 （編寫了一個通用方法，將 Python 字典轉(zhuǎn)換為 json 檔案）

quote_data = Quote(**quote_temp)

將所有內(nèi)容放在一起

了解了每一個抓取之後，現(xiàn)在，您可以將所有內(nèi)容放在一起並運行抓取以進(jìn)行資料收集。

def get_quotes_data(quotes_div: list) -> list:
    quotes_data = []

    # Loop through each quote and extract the text and author
    for quote in quotes_div:
        quote_text = quote.find('span', class_='text').get_text()
        author = quote.find('small', class_='author').get_text()
        tags = get_tags(quote.find('div', class_='tags'))

        # yied data to a dictonary 
        quote_temp ={'quote_text': quote_text,
                'author': author,
                'tags':tags
        }

        # validate data with Pydantic model
        try:
            quote_data = Quote(**quote_temp)            
            quotes_data.append(quote_data.model_dump())            
        except  ValidationError as e:
            print(e.json())
    return quotes_data

注意：計劃進(jìn)行修訂，請告訴我您的想法或建議，以包含在修訂版本中。

連結(jié)與資源：

• https://pypi.org/project/parsel/

• https://docs.pydantic.dev/latest/

以上是抓取但驗證：使用 Pydantic Validation 抓取數(shù)據(jù)的詳細(xì)內(nèi)容。更多資訊請關(guān)注PHP中文網(wǎng)其他相關(guān)文章！