[Prac] 简单的爬虫实践 - 获取黄金现货价格

（源自《实用数据分析》(原书第2版)，网站更新后原文代码不能用了所以自己写了个小爬虫）

1.网页分析

目标网站：https://www.gold.org/

开发人员工具（F12）用自带的元素定位

查看到该内容的两个标签 <class="asset ask"> 和 <class="value">

2.代码部分

2.1 导入资料库

from bs4 import BeautifulSoup
import urllib.request
from time import sleep
from datetime import datetime

1.Beautiful Soup 是一个可以从HTML或XML文件中提取数据的Python库.

中文文档：https://beautifulsoup.readthedocs.io/zh_CN/v4.4.0/

2.urllib.request

urllib 的 request 模块可以非常方便地抓取 URL 内容，也就是发送一个 GET 请求到指定的页面，然后返回 HTTP 的响应

2.2 打开网页

url = "https://www.gold.org/"
req = urllib.request.urlopen(url)
page = req.read()

运行的时候出现了问题

百度之，发现是网站对于自动化爬虫的限制。解决方案大体就是加一个访问的时候 header 伪装成正常浏览器的样子就可以了。

2.3 伪装自己

user_agent = 'Mozilla/4.0 (compatible; MSIE 5.5; Windows NT)'
headers = { 'User-Agent' : user_agent }
url = "https://www.gold.org/"
req = urllib.request.Request(url,None,headers)
response = urllib.request.urlopen(req)
page = response.read()

2.4 寻找标签

soup = BeautifulSoup(page,'lxml')
price = soup.find("div",class_=["asset","ask"]).find_next(class_="value")
print(price.text)

2.5 写入文件

with open("goldPrice.out","w") as f:
    sNow = datetime.now().strftime("%I:%M:%S%p")
    f.write("{0},{1} \n".format(sNow, getGoldPrice()))

"%I:%M:%S%P"，%I 代表小时，%M 代表分钟，%S 代表秒，%p 代表 A.M. 或 P.M.

2.6 全部程序

from bs4 import BeautifulSoup
import urllib.request
from time import sleep
from datetime import datetime

def getGoldPrice():
    user_agent = 'Mozilla/4.0 (compatible; MSIE 5.5; Windows NT)'
    headers = { 'User-Agent' : user_agent }
    url = "https://www.gold.org/"
    req = urllib.request.Request(url,None,headers)
    response = urllib.request.urlopen(req)
    page = response.read()

    soup = BeautifulSoup(page,'lxml')
    price = soup.find("div",class_=["asset","ask"]).find_next(class_="value")
    return price.text

with open("goldPrice.out","w") as f:
    for x in range(0,60):
        sNow = datetime.now().strftime("%I:%M:%S%p")
        f.write("{0},{1} \n".format(sNow, getGoldPrice()))
        print("{0},{1} \n".format(sNow, getGoldPrice()))
        sleep(59)

加了一个循环结构，每一分钟获取一次。