PowerShell 抓取网页表格

作者: 天上的小仙女呀 | 来源:发表于2021-02-19 09:27 被阅读0次

PowerShell 抓取网页表格
利用R的XML`实现简单网页表格抓取
如何抓取网页中的表格
Python实用练手小案例
python几乎无所不能只有你不知道的，如何通过Python玩
python几乎无所不能只有你不知道的，如何通过Python玩
python几乎无所不能只有你不知道的，如何通过Python玩
Python爬虫
【Fiddler】Fiddler过滤
Power BI抓取网页数据的技巧

因为我是英文版的系统，中文系统的界面转换成字符串都成了乱码，因此测试都是在英文网页上操作的。

PowerShell 5里面有一个新的函数叫做ConvertFrom-String, 他的作用是把字符串转换成对象。其中一个参数是可以根据指定的模板，把对应的那一部分字符串匹配出来生成对象，我们可以利用这个功能抓取网页中的表格。

首先看个基本例子

$a= @' 1 2 3 4 5 6 7 8 9 2 2 3 '@$ t=
@'
{Co1:1} {Co2:2} {Co3:3} {Co4:4}
{Co1:5} 6 7 8
'@
$c=$ a | ConvertFrom-String -Delimiter "\r\n"
$d=$ a | ConvertFrom-string -TemplateContent $t

</pre>

同样的字符串，第一个我用分隔符回车换行来生成一个对象；第二个我用自定义的模板格式来进行匹配。注意属性定义的格式写法 {}隔开，然后第一个需要{属性名字：}，后面不需要加,至少需要匹配2行数据才行。

可以看见第一个对象有3个属性，P1是1 2 3 4，P2 是 4 5 6 7 ，P3是9 2 2 3;

第二个对象则是根据每一列来自动匹配的（已经有一个模板匹配了前2行）

[图片上传失败...(image-88d472-1613784436944)]

接下来我们来看2个实例。

第一个例子是这个网页，里面有一个澳洲代理服务器的列表，如下所示，我想抓出来

http://www.proxylisty.com/country/Australia-ip-list

</pre>

[图片上传失败...(image-9b7f9f-1613784436944)]

基本思路：invoke-restmethod直接抓取整个网页，自动转换为string对象。

然后设计对应的模板。因为是html文件，转换为string以后对应的html代码都在里面。因此关键是怎么把这些带有html代码的表格模板弄出来。

很简单，网页都可以查看html的源代码，下面一大段html的代码可以直接从网页上复制粘贴对应的2行表格代码即可，稍加修改添加属性名字就行了。

然后根据模板匹配就会自动生成对应的表格对象了

$web = 'http://www.proxylisty.com/country/Australia-ip-list'$ template =
@'
<tr>
<td>{IP:203.56.188.145}</td>
<td><a href='http://www.proxylisty.com/port/8080-ip-list' title='Port 8080 Proxy List'>{Port:8080}</a></td>
<td>HTTP</td>
<td><a style='color:red;' href='http://www.proxylisty.com/anonymity/High anonymous / Elite proxy-ip-list' title='High anonymous / Elite proxy Proxy List'>High anonymous / Elite proxy</a></td>
<td>No</td>
<td><a href='http://www.proxylisty.com/country/Australia-ip-list' title='Australia IP Proxy List'><img style='margin: 0px 5px 0px 0px; padding: 0px;' src='http://www.proxylisty.com/assets/flags/AU.png' title='Australia IP Proxy List'/>Australia</a></td>
<td>13 Months</td>
<td>2.699 Sec</td>
<td><div id="progress-bar" class="all-rounded">
<div title='50%' id="progress-bar-percentage" class="all-rounded" style="width: 50%">{Reliability:50%}</div></div></td>
</tr>
<tr>
<td>{IP:103.25.182.1}</td>
<td><a href='http://www.proxylisty.com/port/8081-ip-list' title='Port 8081 Proxy List'>{Port:8081}</a></td>
<td>HTTP</td>
<td><a style='color:red;' href='http://www.proxylisty.com/anonymity/Anonymous proxy-ip-list' title='Anonymous proxy Proxy List'>Anonymous proxy</a></td>
<td>No</td>
<td><a href='http://www.proxylisty.com/country/Australia-ip-list' title='Australia IP Proxy List'><img style='margin: 0px 5px 0px 0px; padding: 0px;' src='http://www.proxylisty.com/assets/flags/AU.png' title='Australia IP Proxy List'/>Australia</a></td>
<td>15 Months</td>
<td>7.242 Sec</td>
<td><div id="progress-bar" class="all-rounded">
<div title='55%' id="progress-bar-percentage" class="all-rounded" style="width: 55%">{Reliability:55%}</div></div></td>
</tr>
'@
$temp=Invoke-RestMethod -uri$ web
$result = ConvertFrom-String -TemplateContent$ template -InputObject $temp$ result | sort reliability

</pre>

成功抓取

image

我还可以更进一步，我想测试一下这些抓取下来的地址是否真的可以用，写个function测试看看

function Test-Proxy{
[cmdletbinding()]
param(
[Parameter(Mandatory= $true, ValueFromPipeline=$ true,
ValueFromPipelineByPropertyName= $true, position=0 ) ] [string]$ server,
[string] $url = "http://www.microsoft.com" ) write-host "Test Proxy Server:$ server" -NoNewline
$proxy = new-object System.Net.WebProxy($ server)
$WebClient = new-object System.Net.WebClient$ WebClient.proxy = $proxy Try {$ content = $WebClient.DownloadString($ url)
Write-Host " Opened $url successfully" -ForegroundColor Cyan } catch { Write-Host " Unable to access$ url" -ForegroundColor Yellow
}
}
foreach ( $r in$ result){
$servername="http://"+$ r.IP+":"+ $r.Port Test-proxy -server$ servername -url "www.google.com"
}

</pre>

测试标明都是坑货

image

类似的，豆子最近比较关注健康食物，我想看看低GI的食物有哪些

http://ultimatepaleoguide.com/glycemic-index-food-list

</pre>

需要把下面这个表格抓出来

image

$t2=@' <tr> <td valign="top">{Food*:Banana cake, made with sugar}</td> <td valign="top">{GI:47}</td> <td valign="top">{Size:60}</td> </tr> <tr> <td valign="top">{Food*:Banana cake, made without sugar}</td> <td valign="top">{GI:55}</td> <td valign="top">{Size:60}</td> </tr> '@$ web2='http://ultimatepaleoguide.com/glycemic-index-food-list/'
$temp=Invoke-RestMethod -uri$ web2
$result1 = ConvertFrom-String -TemplateContent$ t2 -InputObject $temp$ result1 | Out-GridView

</pre>

成功！

image

这种方式很有用，尤其是需要获取网页某些列表信息的时候，当然，如果网页本身就提供RESTFUL的接口，可以直接获取JSON格式的内容那就更省事了。

PowerShell 抓取网页表格
因为我是英文版的系统，中文系统的界面转换成字符串都成了乱码，因此测试都是在英文网页上操作的。 PowerShell...
利用R的XML`实现简单网页表格抓取
[TOC] 1. XML包网页抓取如果网页上有很多容易读取的表格，可以很方便利用XML包实现网页抓取。网页语言...
如何抓取网页中的表格
之前，我在搜索vscode的快捷键的时候，找到一个页面是以表格的形式呈现vscode的各种快捷键操作的（如下图）。...
Python实用练手小案例
抓取网页信息，并生成txt文件内容！Python抓取网页技能——Python抓取网页就是我们常看见的网络爬虫，我们...
python几乎无所不能只有你不知道的，如何通过Python玩
什么是爬虫？就是抓取网页数据的程序爬虫怎么抓取网页数据？网页三大特征：网页都有自己唯一的URL。网页都是...
python几乎无所不能只有你不知道的，如何通过Python玩
什么是爬虫？就是抓取网页数据的程序爬虫怎么抓取网页数据？网页三大特征：网页都有自己唯一的URL。网页都是...
python几乎无所不能只有你不知道的，如何通过Python玩
什么是爬虫？就是抓取网页数据的程序爬虫怎么抓取网页数据？网页三大特征：网页都有自己唯一的URL。网页都是...
Python爬虫
介绍使用 Beautiful Soup抓取静态网页，使用Selenium-WebDriver抓取动态网页 Robo...
【Fiddler】Fiddler过滤
在使用Fiddler抓取网页的时候，总是会抓取到网布打开的网页请求，但是有时候想抓取一些特定的网页，比如分别访问百...
Power BI抓取网页数据的技巧
关于Power BI抓取网页数据，常见的情形是网址输入进去后，在导航器中看不到表格，如下图。你需要在选项>预览功...