{"id":277022,"date":"2016-03-26T23:45:02","date_gmt":"2016-03-26T20:45:02","guid":{"rendered":"http:\/\/savepearlharbor.com\/?p=277022"},"modified":"-0001-11-30T00:00:00","modified_gmt":"-0001-11-29T21:00:00","slug":"","status":"publish","type":"post","link":"https:\/\/savepearlharbor.com\/?p=277022","title":{"rendered":"Web Scrapping \u0441 \u043f\u043e\u043c\u043e\u0449\u044c\u044e python"},"content":{"rendered":"<br \/>\n<h1>HOW TO: Web Scrapping \u0441 \u043f\u043e\u043c\u043e\u0449\u044c\u044e Python<\/h1>\n<p>  <\/p>\n<h2>\u0412\u0432\u0435\u0434\u0435\u043d\u0438\u0435<\/h2>\n<p>  \u041d\u0435\u0434\u0430\u0432\u043d\u043e \u0437\u0430\u0433\u043b\u044f\u043d\u0443\u0432 \u043d\u0430 \u041a\u0438\u043d\u043e\u041f\u043e\u0438\u0441\u043a, \u044f \u043e\u0431\u043d\u0430\u0440\u0443\u0436\u0438\u043b\u0430, \u0447\u0442\u043e \u0437\u0430 \u0434\u043e\u043b\u0433\u0438\u0435 \u0433\u043e\u0434\u044b \u0443\u0441\u043f\u0435\u043b\u0430 \u043e\u0441\u0442\u0430\u0432\u0438\u0442\u044c \u0431\u043e\u043b\u0435\u0435 1000 \u043e\u0446\u0435\u043d\u043e\u043a \u0438 \u043f\u043e\u0434\u0443\u043c\u0430\u043b\u0430, \u0447\u0442\u043e \u0431\u044b\u043b\u043e \u0431\u044b \u0438\u043d\u0442\u0435\u0440\u0435\u0441\u043d\u043e \u043f\u043e\u0438\u0441\u0441\u043b\u0435\u0434\u043e\u0432\u0430\u0442\u044c \u044d\u0442\u0438 \u0434\u0430\u043d\u043d\u044b\u0435 \u043f\u043e\u0434\u0440\u043e\u0431\u043d\u0435\u0435: \u043c\u0435\u043d\u044f\u043b\u0438\u0441\u044c \u043b\u0438 \u043c\u043e\u0438 \u0432\u043a\u0443\u0441\u044b \u0432 \u043a\u0438\u043d\u043e \u0441 \u0442\u0435\u0447\u0435\u043d\u0438\u0435\u043c \u0432\u0440\u0435\u043c\u0435\u043d\u0438? \u0435\u0441\u0442\u044c \u043b\u0438 \u0433\u043e\u0434\u043e\u0432\u0430\u044f\/\u043d\u0435\u0434\u0435\u043b\u044c\u043d\u0430\u044f \u0441\u0435\u0437\u043e\u043d\u043d\u043e\u0441\u0442\u044c \u0432 \u0430\u043a\u0442\u0438\u0432\u043d\u043e\u0441\u0442\u0438? \u043a\u043e\u0440\u0440\u0435\u043b\u0438\u0440\u0443\u044e\u0442 \u043b\u0438 \u043c\u043e\u0438 \u043e\u0446\u0435\u043d\u043a\u0438 \u0441 \u0440\u0435\u0439\u0442\u0438\u043d\u0433\u043e\u043c \u041a\u0438\u043d\u043e\u041f\u043e\u0438\u0441\u043a\u0430, IMDb \u0438\u043b\u0438 \u043a\u0438\u043d\u043e\u043a\u0440\u0438\u0442\u0438\u043a\u043e\u0432? <br \/>  \u041d\u043e \u043f\u0440\u0435\u0436\u0434\u0435 \u0447\u0435\u043c \u0430\u043d\u0430\u043b\u0438\u0437\u0438\u0440\u043e\u0432\u0430\u0442\u044c \u0438 \u0441\u0442\u0440\u043e\u0438\u0442\u044c \u043a\u0440\u0430\u0441\u0438\u0432\u044b\u0435 \u0433\u0440\u0430\u0444\u0438\u043a\u0438, \u043d\u0443\u0436\u043d\u043e \u043f\u043e\u043b\u0443\u0447\u0438\u0442\u044c \u0434\u0430\u043d\u043d\u044b\u0435. \u041a \u0441\u043e\u0436\u0430\u043b\u0435\u043d\u0438\u044e, \u043c\u043d\u043e\u0433\u0438\u0435 \u0441\u0435\u0440\u0432\u0438\u0441\u044b (\u0438 \u041a\u0438\u043d\u043e\u041f\u043e\u0438\u0441\u043a \u043d\u0435 \u0438\u0441\u043a\u043b\u044e\u0447\u0435\u043d\u0438\u0435) \u043d\u0435 \u0438\u043c\u0435\u044e\u0442 \u043f\u0443\u0431\u043b\u0438\u0447\u043d\u043e\u0433\u043e API, \u0442\u0430\u043a \u0447\u0442\u043e, \u043f\u0440\u0438\u0445\u043e\u0434\u0438\u0442\u0441\u044f \u0437\u0430\u0441\u0443\u0447\u0438\u0442\u044c \u0440\u0443\u043a\u0430\u0432\u0430 \u0438 \u043f\u0430\u0440\u0441\u0438\u0442\u044c html-\u0441\u0442\u0440\u0430\u043d\u0438\u0446\u044b. \u0418\u043c\u0435\u043d\u043d\u043e \u043e \u0442\u043e\u043c, \u043a\u0430\u043a \u0441\u043a\u0430\u0447\u0430\u0442\u044c \u0438 \u0440\u0430\u0441\u043f\u0430\u0440\u0441\u0438\u0442\u044c web-c\u0430\u0439\u0442, \u044f \u0438 \u0445\u043e\u0447\u0443 \u0440\u0430\u0441\u0441\u043a\u0430\u0437\u0430\u0442\u044c \u0432 \u044d\u0442\u043e\u0439 \u0441\u0442\u0430\u0442\u044c\u0435.<br \/>  \u0412 \u043f\u0435\u0440\u0432\u0443\u044e \u043e\u0447\u0435\u0440\u0435\u0434\u044c \u0441\u0442\u0430\u0442\u044c\u044f \u043f\u0440\u0435\u0434\u043d\u0430\u0437\u043d\u0430\u0447\u0435\u043d\u0430 \u0434\u043b\u044f \u0442\u0435\u0445, \u043a\u0442\u043e \u0432\u0441\u0435\u0433\u0434\u0430 \u0445\u043e\u0442\u0435\u043b \u0440\u0430\u0437\u043e\u0431\u0440\u0430\u0442\u044c\u0441\u044f \u0441 Web Scrapping, \u043d\u043e \u043d\u0435 \u0434\u043e\u0445\u043e\u0434\u0438\u043b\u0438 \u0440\u0443\u043a\u0438 \u0438\u043b\u0438 \u043d\u0435 \u0437\u043d\u0430\u043b \u0441 \u0447\u0435\u0433\u043e \u043d\u0430\u0447\u0430\u0442\u044c. <\/p>\n<p>  <strong>Off-topic<\/strong>: \u043a \u0441\u043b\u043e\u0432\u0443, <a href=\"http:\/\/plus.kinopoisk.ru\">\u041d\u043e\u0432\u044b\u0439 \u041a\u0438\u043d\u043e\u043f\u043e\u0438\u0441\u043a<\/a> \u043f\u043e\u0434 \u043a\u0430\u043f\u043e\u0442\u043e\u043c \u0438\u0441\u043f\u043e\u043b\u044c\u0437\u0443\u0435\u0442 \u0437\u0430\u043f\u0440\u043e\u0441\u044b, \u043a\u043e\u0442\u043e\u0440\u044b\u0435 \u0432\u043e\u0437\u0432\u0440\u0430\u0449\u0430\u044e\u0442 \u0434\u0430\u043d\u043d\u044b\u0435 \u043e\u0431 \u043e\u0446\u0435\u043d\u043a\u0430\u0445 \u0432 \u0432\u0438\u0434\u0435 JSON, \u0442\u0430\u043a \u0447\u0442\u043e, \u0437\u0430\u0434\u0430\u0447\u0430 \u043c\u043e\u0433\u043b\u0430 \u0431\u044b\u0442\u044c \u0440\u0435\u0448\u0435\u043d\u0430 \u0438 \u0434\u0440\u0443\u0433\u0438\u043c \u043f\u0443\u0442\u0435\u043c.<a name=\"habracut\"><\/a><\/p>\n<h2>\u0417\u0430\u0434\u0430\u0447\u0430<\/h2>\n<p>  \u0417\u0430\u0434\u0430\u0447\u0430 \u0431\u0443\u0434\u0435\u0442 \u0441\u043e\u0441\u0442\u043e\u044f\u0442\u044c \u0432 \u0442\u043e\u043c, \u0447\u0442\u043e\u0431\u044b \u0432\u044b\u0433\u0440\u0443\u0437\u0438\u0442\u044c \u0434\u0430\u043d\u043d\u044b\u0435 \u043e \u043f\u0440\u043e\u0441\u043c\u043e\u0442\u0440\u0435\u043d\u043d\u044b\u0445 \u0444\u0438\u043b\u044c\u043c\u0430\u0445 \u043d\u0430 \u041a\u0438\u043d\u043e\u041f\u043e\u0438\u0441\u043a\u0435: \u043d\u0430\u0437\u0432\u0430\u043d\u0438\u0435 \u0444\u0438\u043b\u044c\u043c\u0430 (\u0440\u0443\u0441\u0441\u043a\u043e\u0435, \u0430\u043d\u0433\u043b\u0438\u0439\u0441\u043a\u043e\u0435), \u0434\u0430\u0442\u0443 \u0438 \u0432\u0440\u0435\u043c\u044f \u043f\u0440\u043e\u0441\u043c\u043e\u0442\u0440\u0430, \u043e\u0446\u0435\u043d\u043a\u0443 \u043f\u043e\u043b\u044c\u0437\u043e\u0432\u0430\u0442\u0435\u043b\u044f.<br \/>  \u041d\u0430 \u0441\u0430\u043c\u043e\u043c \u0434\u0435\u043b\u0435, \u043c\u043e\u0436\u043d\u043e \u0440\u0430\u0437\u0431\u0438\u0442\u044c \u0440\u0430\u0431\u043e\u0442\u0443 \u043d\u0430 2 \u044d\u0442\u0430\u043f\u0430:  <\/p>\n<ul>\n<li><strong>\u042d\u0442\u0430\u043f 1:<\/strong> \u0432\u044b\u0433\u0440\u0443\u0437\u0438\u0442\u044c \u0438 \u0441\u043e\u0445\u0440\u0430\u043d\u0438\u0442\u044c html-\u0441\u0442\u0440\u0430\u043d\u0438\u0446\u044b <\/li>\n<li><strong>\u042d\u0442\u0430\u043f 2:<\/strong> \u0440\u0430\u0441\u043f\u0430\u0440\u0441\u0438\u0442\u044c html \u0432 \u0443\u0434\u043e\u0431\u043d\u044b\u0439 \u0434\u043b\u044f \u0434\u0430\u043b\u044c\u043d\u0435\u0439\u0448\u0435\u0433\u043e \u0430\u043d\u0430\u043b\u0438\u0437\u0430 \u0444\u043e\u0440\u043c\u0430\u0442 (csv, json, pandas dataframe etc.)<\/li>\n<\/ul>\n<p>  <\/p>\n<h2>\u0418\u043d\u0441\u0442\u0440\u0443\u043c\u0435\u043d\u0442\u044b<\/h2>\n<p>  \u0414\u043b\u044f \u043e\u0442\u043f\u0440\u0430\u0432\u043a\u0438 http-\u0437\u0430\u043f\u0440\u043e\u0441\u043e\u0432 \u0435\u0441\u0442\u044c \u043d\u0435\u043c\u0430\u043b\u043e python-\u0431\u0438\u0431\u043b\u0438\u043e\u0442\u0435\u043a, \u043d\u0430\u0438\u0431\u043e\u043b\u0435\u0435 \u0438\u0437\u0432\u0435\u0441\u0442\u043d\u044b\u0435 urllib\/urllib2 \u0438 Requests. \u041d\u0430 \u043c\u043e\u0439 \u0432\u043a\u0443\u0441 <a href=\"http:\/\/docs.python-requests.org\/en\/master\/\">Requests<\/a> \u0443\u0434\u043e\u0431\u043d\u0435\u0435 \u0438 \u043b\u0430\u043a\u043e\u043d\u0438\u0447\u043d\u0435\u0435, \u0442\u0430\u043a \u0447\u0442\u043e, \u0431\u0443\u0434\u0443 \u0438\u0441\u043f\u043e\u043b\u044c\u0437\u043e\u0432\u0430\u0442\u044c \u0435\u0435.<br \/>  \u0422\u0430\u043a\u0436\u0435 \u043d\u0435\u043e\u0431\u0445\u043e\u0434\u0438\u043c\u043e \u0432\u044b\u0431\u0440\u0430\u0442\u044c \u0431\u0438\u0431\u043b\u0438\u043e\u0442\u0435\u043a\u0443 \u0434\u043b\u044f \u043f\u0430\u0440\u0441\u0438\u043d\u0433\u0430 html, \u043d\u0435\u0431\u043e\u043b\u044c\u0448\u043e\u0439 research \u0434\u0430\u0435\u0442 \u0441\u043b\u0435\u0434\u0443\u044e\u0449\u0438\u0435 \u0432\u0430\u0440\u0438\u0430\u043d\u0442\u044b:  <\/p>\n<ul>\n<li><a href=\"https:\/\/docs.python.org\/2\/library\/re.html\"><strong>re<\/strong><\/a><br \/>  \u0420\u0435\u0433\u0443\u043b\u044f\u0440\u043d\u044b\u0435 \u0432\u044b\u0440\u0430\u0436\u0435\u043d\u0438\u044f, \u043a\u043e\u043d\u0435\u0447\u043d\u043e, \u043d\u0430\u043c \u043f\u0440\u0438\u0433\u043e\u0434\u044f\u0442\u0441\u044f, \u043d\u043e \u0438\u0441\u043f\u043e\u043b\u044c\u0437\u043e\u0432\u0430\u0442\u044c \u0442\u043e\u043b\u044c\u043a\u043e \u0438\u0445, \u043d\u0430 \u043c\u043e\u0439 \u0432\u0437\u0433\u043b\u044f\u0434, \u0441\u043b\u0438\u0448\u043a\u043e\u043c \u0445\u0430\u0440\u0434\u043a\u043e\u0440\u043d\u044b\u0439 \u043f\u0443\u0442\u044c, \u0438 \u043e\u043d\u0438 <a href=\"http:\/\/stackoverflow.com\/questions\/1732348\/regex-match-open-tags-except-xhtml-self-contained-tags\">\u043d\u0435\u043c\u043d\u043e\u0433\u043e \u043d\u0435 \u0434\u043b\u044f \u044d\u0442\u043e\u0433\u043e<\/a>. \u0411\u044b\u043b\u0438 \u043f\u0440\u0438\u0434\u0443\u043c\u0430\u043d\u044b \u0431\u043e\u043b\u0435\u0435 \u0443\u0434\u043e\u0431\u043d\u044b\u0435 \u0438\u043d\u0441\u0442\u0440\u0443\u043c\u0435\u043d\u0442\u044b \u0434\u043b\u044f \u0440\u0430\u0437\u0431\u043e\u0440\u0430 html, \u0442\u0430\u043a \u0447\u0442\u043e \u043f\u0435\u0440\u0435\u0439\u0434\u0435\u043c \u043a \u043d\u0438\u043c. <\/li>\n<li><a href=\"http:\/\/www.crummy.com\/software\/BeautifulSoup\/bs4\/doc\/\"><strong>BeatifulSoup<\/strong><\/a>, <a href=\"http:\/\/lxml.de\/index.html\"><strong>lxml<\/strong><\/a><br \/>  \u042d\u0442\u043e \u0434\u0432\u0435 \u043d\u0430\u0438\u0431\u043e\u043b\u0435\u0435 \u043f\u043e\u043f\u0443\u043b\u044f\u0440\u043d\u044b\u0435 \u0431\u0438\u0431\u043b\u0438\u043e\u0442\u0435\u043a\u0438 \u0434\u043b\u044f \u043f\u0430\u0440\u0441\u0438\u043d\u0433\u0430 html \u0438 \u0432\u044b\u0431\u043e\u0440 \u043e\u0434\u043d\u043e\u0439 \u0438\u0437 \u043d\u0438\u0445, \u0441\u043a\u043e\u0440\u0435\u0435, \u043e\u0431\u0443\u0441\u043b\u043e\u0432\u043b\u0435\u043d \u043b\u0438\u0447\u043d\u044b\u043c\u0438 \u043f\u0440\u0435\u0434\u043f\u043e\u0447\u0442\u0435\u043d\u0438\u044f\u043c\u0438. \u0411\u043e\u043b\u0435\u0435 \u0442\u043e\u0433\u043e, \u044d\u0442\u0438 \u0431\u0438\u0431\u043b\u0438\u043e\u0442\u0435\u043a\u0438 \u0442\u0435\u0441\u043d\u043e \u043f\u0435\u0440\u0435\u043f\u043b\u0435\u043b\u0438\u0441\u044c: BeautifulSoup \u0441\u0442\u0430\u043b \u0438\u0441\u043f\u043e\u043b\u044c\u0437\u043e\u0432\u0430\u0442\u044c lxml \u0432 \u043a\u0430\u0447\u0435\u0441\u0442\u0432\u0435 \u0432\u043d\u0443\u0442\u0440\u0435\u043d\u043d\u0435\u0433\u043e \u043f\u0430\u0440\u0441\u0435\u0440\u0430 \u0434\u043b\u044f \u0443\u0441\u043a\u043e\u0440\u0435\u043d\u0438\u044f, \u0430 \u0432 lxml \u0431\u044b\u043b \u0434\u043e\u0431\u0430\u0432\u043b\u0435\u043d \u043c\u043e\u0434\u0443\u043b\u044c soupparser. \u041f\u043e\u0434\u0440\u043e\u0431\u043d\u0435\u0435 \u043f\u0440\u043e \u043f\u043b\u044e\u0441\u044b \u0438 \u043c\u0438\u043d\u0443\u0441\u044b \u044d\u0442\u0438\u0445 \u0431\u0438\u0431\u043b\u0438\u043e\u0442\u0435\u043a \u043c\u043e\u0436\u043d\u043e \u043f\u043e\u0447\u0438\u0442\u0430\u0442\u044c <a href=\"http:\/\/stackoverflow.com\/questions\/1922032\/parsing-html-in-python-lxml-or-beautifulsoup-which-of-these-is-better-for-wha\">\u0432 \u043e\u0431\u0441\u0443\u0436\u0434\u0435\u043d\u0438\u0438<\/a>. \u0414\u043b\u044f \u0441\u0440\u0430\u0432\u043d\u0435\u043d\u0438\u044f \u043f\u043e\u0434\u0445\u043e\u0434\u043e\u0432 \u044f \u0431\u0443\u0434\u0443 \u043f\u0430\u0440\u0441\u0438\u0442\u044c \u0434\u0430\u043d\u043d\u044b\u0435 \u0441 \u043f\u043e\u043c\u043e\u0449\u044c\u044e BeautifulSoup \u0438 \u0438\u0441\u043f\u043e\u043b\u044c\u0437\u0443\u044f <a href=\"http:\/\/lxml.de\/xpathxslt.html\">XPath<\/a> \u0441\u0435\u043b\u0435\u043a\u0442\u043e\u0440\u044b \u0432 \u043c\u043e\u0434\u0443\u043b\u0435 lxml.html.<\/li>\n<li><a href=\"http:\/\/scrapy.org\/\"><strong>scrapy<\/strong><\/a><br \/>  \u042d\u0442\u043e \u0443\u0436\u0435 \u043d\u0435 \u043f\u0440\u043e\u0441\u0442\u043e \u0431\u0438\u0431\u043b\u0438\u043e\u0442\u0435\u043a\u0430, \u0430 \u0446\u0435\u043b\u044b\u0439 open-source framework \u0434\u043b\u044f \u043f\u043e\u043b\u0443\u0447\u0435\u043d\u0438\u044f \u0434\u0430\u043d\u043d\u044b\u0445 \u0441 \u0432\u0435\u0431-\u0441\u0442\u0440\u0430\u043d\u0438\u0446. \u0412 \u043d\u0435\u043c \u0435\u0441\u0442\u044c \u043c\u043d\u043e\u0436\u0435\u0441\u0442\u0432\u043e \u043f\u043e\u043b\u0435\u0437\u043d\u044b\u0445 \u0444\u0443\u043d\u043a\u0446\u0438\u0439: \u0430\u0441\u0438\u043d\u0445\u0440\u043e\u043d\u043d\u044b\u0435 \u0437\u0430\u043f\u0440\u043e\u0441\u044b, \u0432\u043e\u0437\u043c\u043e\u0436\u043d\u043e\u0441\u0442\u044c \u0438\u0441\u043f\u043e\u043b\u044c\u0437\u043e\u0432\u0430\u0442\u044c XPath \u0438 CSS \u0441\u0435\u043b\u0435\u043a\u0442\u043e\u0440\u044b \u0434\u043b\u044f \u043e\u0431\u0440\u0430\u0431\u043e\u0442\u043a\u0438 \u0434\u0430\u043d\u043d\u044b\u0445, \u0443\u0434\u043e\u0431\u043d\u0430\u044f \u0440\u0430\u0431\u043e\u0442\u0430 \u0441 \u043a\u043e\u0434\u0438\u0440\u043e\u0432\u043a\u0430\u043c\u0438 \u0438 \u043c\u043d\u043e\u0433\u043e\u0435 \u0434\u0440\u0443\u0433\u043e\u0435 (\u043f\u043e\u0434\u0440\u043e\u0431\u043d\u0435\u0435 \u043c\u043e\u0436\u043d\u043e \u043f\u043e\u0447\u0438\u0442\u0430\u0442\u044c <a href=\"http:\/\/doc.scrapy.org\/en\/latest\/intro\/overview.html\">\u0442\u0443\u0442<\/a>). \u0415\u0441\u043b\u0438 \u0431\u044b \u043c\u043e\u044f \u0437\u0430\u0434\u0430\u0447\u0430 \u0431\u044b\u043b\u0430 \u043d\u0435 \u0440\u0430\u0437\u043e\u0432\u043e\u0439 \u0432\u044b\u0433\u0440\u0443\u0437\u043a\u043e\u0439, \u0430 production \u043f\u0440\u043e\u0446\u0435\u0441\u0441\u043e\u043c, \u0442\u043e \u044f \u0431\u044b \u0432\u044b\u0431\u0440\u0430\u043b\u0430 \u0435\u0433\u043e. \u0412 \u0442\u0435\u043a\u0443\u0449\u0435\u0439 \u043f\u043e\u0441\u0442\u0430\u043d\u043e\u0432\u043a\u0435 \u044d\u0442\u043e overkill. <\/li>\n<\/ul>\n<p>  <\/p>\n<h2>\u0417\u0430\u0433\u0440\u0443\u0437\u043a\u0430 \u0434\u0430\u043d\u043d\u044b\u0445<\/h2>\n<p>  <\/p>\n<h3>\u041f\u0435\u0440\u0432\u0430\u044f \u043f\u043e\u043f\u044b\u0442\u043a\u0430<\/h3>\n<p>  \u041f\u0440\u0438\u0441\u0442\u0443\u043f\u0438\u043c \u043a \u0432\u044b\u0433\u0440\u0443\u0437\u043a\u0435 \u0434\u0430\u043d\u043d\u044b\u0445. \u0414\u043b\u044f \u043d\u0430\u0447\u0430\u043b\u0430, \u043f\u043e\u043f\u0440\u043e\u0431\u0443\u0435\u043c \u043f\u0440\u043e\u0441\u0442\u043e \u043f\u043e\u043b\u0443\u0447\u0438\u0442\u044c \u0441\u0442\u0440\u0430\u043d\u0438\u0446\u0443 \u043f\u043e url \u0438 \u0441\u043e\u0445\u0440\u0430\u043d\u0438\u0442\u044c \u0432 \u043b\u043e\u043a\u0430\u043b\u044c\u043d\u044b\u0439 \u0444\u0430\u0439\u043b.  <\/p>\n<pre><code class=\"python\">import requests user_id = 12345 url = 'http:\/\/www.kinopoisk.ru\/user\/%d\/votes\/list\/ord\/date\/page\/2\/#list' % (user_id) # url \u0434\u043b\u044f \u0432\u0442\u043e\u0440\u043e\u0439 \u0441\u0442\u0440\u0430\u043d\u0438\u0446\u044b r = requests.get(url) with open('test.html', 'w') as output_file:   output_file.write(r.text.encode('cp1251'))<\/code><\/pre>\n<p>  \u041e\u0442\u043a\u0440\u044b\u0432\u0430\u0435\u043c \u043f\u043e\u043b\u0443\u0447\u0435\u043d\u043d\u044b\u0439 \u0444\u0430\u0439\u043b \u0438 \u0432\u0438\u0434\u0438\u043c, \u0447\u0442\u043e \u0432\u0441\u0435 \u043d\u0435 \u0442\u0430\u043a \u043f\u0440\u043e\u0441\u0442\u043e: \u0441\u0430\u0439\u0442 \u0440\u0430\u0441\u043f\u043e\u0437\u043d\u0430\u043b \u0432 \u043d\u0430\u0441 \u0440\u043e\u0431\u043e\u0442\u0430 \u0438 \u043d\u0435 \u0441\u043f\u0435\u0448\u0438\u0442 \u043f\u043e\u043a\u0430\u0437\u044b\u0432\u0430\u0442\u044c \u0434\u0430\u043d\u043d\u044b\u0435.<br \/>  <img decoding=\"async\" src=\"https:\/\/habrastorage.org\/files\/5cb\/aa1\/151\/5cbaa115161c43feb7b3f87e47607545.png\" alt=\"image\"\/>  <\/p>\n<h3>\u0420\u0430\u0437\u0431\u0435\u0440\u0435\u043c\u0441\u044f, \u043a\u0430\u043a \u0440\u0430\u0431\u043e\u0442\u0430\u0435\u0442 \u0431\u0440\u0430\u0443\u0437\u0435\u0440<\/h3>\n<p>  \u041e\u0434\u043d\u0430\u043a\u043e, \u0443 \u0431\u0440\u0430\u0443\u0437\u0435\u0440\u0430 \u043e\u0442\u043b\u0438\u0447\u043d\u043e \u043f\u043e\u043b\u0443\u0447\u0430\u0435\u0442\u0441\u044f \u043f\u043e\u043b\u0443\u0447\u0430\u0442\u044c \u0438\u043d\u0444\u043e\u0440\u043c\u0430\u0446\u0438\u044e \u0441 \u0441\u0430\u0439\u0442\u0430. \u041f\u043e\u0441\u043c\u043e\u0442\u0440\u0438\u043c, \u043a\u0430\u043a \u0438\u043c\u0435\u043d\u043d\u043e \u043e\u043d \u043e\u0442\u043f\u0440\u0430\u0432\u043b\u044f\u0435\u0442 \u0437\u0430\u043f\u0440\u043e\u0441. \u0414\u043b\u044f \u044d\u0442\u043e\u0433\u043e \u0432\u043e\u0441\u043f\u043e\u043b\u044c\u0437\u0443\u0435\u043c\u0441\u044f \u043f\u0430\u043d\u0435\u043b\u044c\u044e &quot;\u0421\u0435\u0442\u044c&quot; \u0432 &quot;\u0418\u043d\u0441\u0442\u0440\u0443\u043c\u0435\u043d\u0442\u0430\u0445 \u0440\u0430\u0437\u0440\u0430\u0431\u043e\u0442\u0447\u0438\u043a\u0430&quot; \u0432 \u0431\u0440\u0430\u0443\u0437\u0435\u0440\u0435 (\u044f \u0438\u0441\u043f\u043e\u043b\u044c\u0437\u0443\u044e \u0434\u043b\u044f \u044d\u0442\u043e\u0433\u043e Firebug), \u043e\u0431\u044b\u0447\u043d\u043e \u043d\u0443\u0436\u043d\u044b\u0439 \u043d\u0430\u043c \u0437\u0430\u043f\u0440\u043e\u0441 \u2014 \u0441\u0430\u043c\u044b\u0439 \u043f\u0440\u043e\u0434\u043e\u043b\u0436\u0438\u0442\u0435\u043b\u044c\u043d\u044b\u0439.<\/p>\n<p>  <img decoding=\"async\" src=\"https:\/\/habrastorage.org\/files\/118\/0ab\/1f4\/1180ab1f48e74572bfcf4d42ac893331.png\" alt=\"image\"\/><\/p>\n<p>  \u041a\u0430\u043a \u043c\u044b \u0432\u0438\u0434\u0438\u043c, \u0431\u0440\u0430\u0443\u0437\u0435\u0440 \u0442\u0430\u043a\u0436\u0435 \u043f\u0435\u0440\u0435\u0434\u0430\u0435\u0442 \u0432 headers UserAgent, cookie \u0438 \u0435\u0449\u0435 \u0440\u044f\u0434 \u043f\u0430\u0440\u0430\u043c\u0435\u0442\u0440\u043e\u0432. \u0414\u043b\u044f \u043d\u0430\u0447\u0430\u043b\u0430 \u043f\u043e\u043f\u0440\u043e\u0431\u0443\u0435\u043c \u043f\u0440\u043e\u0441\u0442\u043e \u043f\u0435\u0440\u0435\u0434\u0430\u0442\u044c \u0432 header \u043a\u043e\u0440\u0440\u0435\u043a\u0442\u043d\u044b\u0439 UserAgent.  <\/p>\n<pre><code class=\"python\">headers = {         'User-Agent': 'Mozilla\/5.0 (Macintosh; Intel Mac OS X 10.9; rv:45.0) Gecko\/20100101 Firefox\/45.0'       } r = requests.get(url, headers = headers)<\/code><\/pre>\n<p>  \u041d\u0430 \u044d\u0442\u043e\u0442 \u0440\u0430\u0437 \u0432\u0441\u0435 \u043f\u043e\u043b\u0443\u0447\u0438\u043b\u043e\u0441\u044c, \u0442\u0435\u043f\u0435\u0440\u044c \u043d\u0430\u043c \u043e\u0442\u0434\u0430\u044e\u0442\u0441\u044f \u043d\u0443\u0436\u043d\u044b\u0435 \u0434\u0430\u043d\u043d\u044b\u0435. \u0421\u0442\u043e\u0438\u0442 \u043e\u0442\u043c\u0435\u0442\u0438\u0442\u044c, \u0447\u0442\u043e \u0438\u043d\u043e\u0433\u0434\u0430 \u0441\u0430\u0439\u0442 \u0442\u0430\u043a\u0436\u0435 \u043f\u0440\u043e\u0432\u0435\u0440\u044f\u0435\u0442 \u043a\u043e\u0440\u0440\u0435\u043a\u0442\u043d\u043e\u0441\u0442\u044c cookie, \u0432 \u0442\u0430\u043a\u043e\u043c \u0441\u043b\u0443\u0447\u0430\u0435 \u043f\u043e\u043c\u043e\u0433\u0443\u0442 <a href=\"http:\/\/docs.python-requests.org\/en\/master\/user\/advanced\/\">sessions<\/a> \u0432 \u0431\u0438\u0431\u043b\u0438\u043e\u0442\u0435\u043a\u0435 Requests.<\/p>\n<h3>\u0421\u043a\u0430\u0447\u0430\u0435\u043c \u0432\u0441\u0435 \u043e\u0446\u0435\u043d\u043a\u0438<\/h3>\n<p>  \u0422\u0435\u043f\u0435\u0440\u044c \u043c\u044b \u0443\u043c\u0435\u0435\u043c \u0441\u043e\u0445\u0440\u0430\u043d\u044f\u0442\u044c \u043e\u0434\u043d\u0443 \u0441\u0442\u0440\u0430\u043d\u0438\u0446\u0443 \u0441 \u043e\u0446\u0435\u043d\u043a\u0430\u043c\u0438. \u041d\u043e \u043e\u0431\u044b\u0447\u043d\u043e \u0443 \u043f\u043e\u043b\u044c\u0437\u043e\u0432\u0430\u0442\u0435\u043b\u044f \u0434\u043e\u0441\u0442\u0430\u0442\u043e\u0447\u043d\u043e \u043c\u043d\u043e\u0433\u043e \u043e\u0446\u0435\u043d\u043e\u043a \u0438 \u043d\u0443\u0436\u043d\u043e \u043f\u0440\u043e\u0438\u0442\u0435\u0440\u0438\u0440\u043e\u0432\u0430\u0442\u044c\u0441\u044f \u043f\u043e \u0432\u0441\u0435\u043c \u0441\u0442\u0440\u0430\u043d\u0438\u0446\u0430\u043c. \u0418\u043d\u0442\u0435\u0440\u0435\u0441\u0443\u044e\u0449\u0438\u0439 \u043d\u0430\u0441 \u043d\u043e\u043c\u0435\u0440 \u0441\u0442\u0440\u0430\u043d\u0438\u0446\u044b \u043b\u0435\u0433\u043a\u043e \u043f\u0435\u0440\u0435\u0434\u0430\u0442\u044c \u043d\u0435\u043f\u043e\u0441\u0440\u0435\u0434\u0441\u0442\u0432\u0435\u043d\u043d\u043e \u0432 url. \u041e\u0441\u0442\u0430\u0435\u0442\u0441\u044f \u0442\u043e\u043b\u044c\u043a\u043e \u0432\u043e\u043f\u0440\u043e\u0441: &quot;\u041a\u0430\u043a \u043f\u043e\u043d\u044f\u0442\u044c \u0441\u043a\u043e\u043b\u044c\u043a\u043e \u0432\u0441\u0435\u0433\u043e \u0441\u0442\u0440\u0430\u043d\u0438\u0446 \u0441 \u043e\u0446\u0435\u043d\u043a\u0430\u043c\u0438?&quot; \u042f \u0440\u0435\u0448\u0438\u043b\u0430 \u044d\u0442\u0443 \u043f\u0440\u043e\u0431\u043b\u0435\u043c\u0443 \u0441\u043b\u0435\u0434\u0443\u044e\u0449\u0438\u043c \u043e\u0431\u0440\u0430\u0437\u043e\u043c: \u0435\u0441\u043b\u0438 \u0443\u043a\u0430\u0437\u0430\u0442\u044c \u0441\u043b\u0438\u0448\u043a\u043e\u043c \u0431\u043e\u043b\u044c\u0448\u043e\u0439 \u043d\u043e\u043c\u0435\u0440 \u0441\u0442\u0440\u0430\u043d\u0438\u0446\u044b, \u0442\u043e \u043d\u0430\u043c \u0432\u0435\u0440\u043d\u0435\u0442\u0441\u044f \u0432\u043e\u0442 \u0442\u0430\u043a\u0430\u044f \u0441\u0442\u0440\u0430\u043d\u0438\u0446\u0430 \u0431\u0435\u0437 \u0442\u0430\u0431\u043b\u0438\u0446\u044b \u0441 \u0444\u0438\u043b\u044c\u043c\u0430\u043c\u0438. \u0422\u0430\u043a\u0438\u043c \u043e\u0431\u0440\u0430\u0437\u043e\u043c \u043c\u044b \u043c\u043e\u0436\u0435\u043c \u0438\u0442\u0435\u0440\u0438\u0440\u043e\u0432\u0430\u0442\u044c\u0441\u044f \u043f\u043e \u0441\u0442\u0440\u0430\u043d\u0438\u0446\u0430\u043c \u0434\u043e \u0442\u0435\u0445, \u043f\u043e\u0440 \u043f\u043e\u043a\u0430 \u043d\u0430\u0445\u043e\u0434\u0438\u0442\u0441\u044f \u0431\u043b\u043e\u043a \u0441 \u043e\u0446\u0435\u043d\u043a\u0430\u043c\u0438 \u0444\u0438\u043b\u044c\u043c\u043e\u0432 (<code>&lt;div class = &quot;profileFilmsList&quot;&gt;<\/code>).<\/p>\n<p>  <img decoding=\"async\" src=\"https:\/\/habrastorage.org\/files\/582\/b17\/2f1\/582b172f12124b82967d6913ee40f1cf.png\" alt=\"image\"\/>  <\/p>\n<div class=\"spoiler\"><b class=\"spoiler_title\">\u041f\u043e\u043b\u043d\u044b\u0439 \u043a\u043e\u0434 \u0434\u043b\u044f \u0437\u0430\u0433\u0440\u0443\u0437\u043a\u0438 \u0434\u0430\u043d\u043d\u044b\u0445<\/b><\/p>\n<div class=\"spoiler_text\">\n<pre><code class=\"python\">import requests # establishing session s = requests.Session()  s.headers.update({         'User-Agent': 'Mozilla\/5.0 (Macintosh; Intel Mac OS X 10.9; rv:45.0) Gecko\/20100101 Firefox\/45.0'     })  def load_user_data(user_id, page, session):     url = 'http:\/\/www.kinopoisk.ru\/user\/%d\/votes\/list\/ord\/date\/page\/%d\/#list' % (user_id, page)     request = session.get(url)     return request.text  def contain_movies_data(text):     soup = BeautifulSoup(text)     film_list = soup.find('div', {'class': 'profileFilmsList'})     return film_list is not None  # loading files page = 1 while True:     data = load_user_data(user_id, page, s)     if contain_movies_data(data):         with open('.\/page_%d.html' % (page), 'w') as output_file:             output_file.write(data.encode('cp1251'))             page += 1     else:             break<\/code><\/pre>\n<p>  <\/div>\n<\/div>\n<p>  <\/p>\n<h2>\u041f\u0430\u0440\u0441\u0438\u043d\u0433<\/h2>\n<p>  <\/p>\n<h3>\u041d\u0435\u043c\u043d\u043e\u0433\u043e \u043f\u0440\u043e XPath<\/h3>\n<p>  XPath \u2014 \u044d\u0442\u043e \u044f\u0437\u044b\u043a \u0437\u0430\u043f\u0440\u043e\u0441\u043e\u0432 \u043a xml \u0438 xhtml \u0434\u043e\u043a\u0443\u043c\u0435\u043d\u0442\u043e\u0432. \u041c\u044b \u0431\u0443\u0434\u0435\u043c \u0438\u0441\u043f\u043e\u043b\u044c\u0437\u043e\u0432\u0430\u0442\u044c XPath \u0441\u0435\u043b\u0435\u043a\u0442\u043e\u0440\u044b \u043f\u0440\u0438 \u0440\u0430\u0431\u043e\u0442\u0435 \u0441 \u0431\u0438\u0431\u043b\u0438\u043e\u0442\u0435\u043a\u043e\u0439 lxml (<a href=\"http:\/\/lxml.de\/xpathxslt.html\">\u0434\u043e\u043a\u0443\u043c\u0435\u043d\u0442\u0430\u0446\u0438\u044f lxml<\/a>). \u0420\u0430\u0441\u0441\u043c\u043e\u0442\u0440\u0438\u043c \u043d\u0435\u0431\u043e\u043b\u044c\u0448\u043e\u0439 \u043f\u0440\u0438\u043c\u0435\u0440 \u0440\u0430\u0431\u043e\u0442\u044b \u0441 XPath  <\/p>\n<pre><code class=\"python\">from lxml import html test = '''     &lt;html&gt;         &lt;body&gt;             &lt;div class=&quot;first_level&quot;&gt;                 &lt;h2 align='center'&gt;one&lt;\/h2&gt;                 &lt;h2 align='left'&gt;two&lt;\/h2&gt;             &lt;\/div&gt;             &lt;h2&gt;another tag&lt;\/h2&gt;         &lt;\/body&gt;     &lt;\/html&gt; ''' tree = html.fromstring(test) tree.xpath('\/\/h2') # \u0432\u0441\u0435 h2 \u0442\u0435\u0433\u0438 tree.xpath('\/\/h2[@align]') # h2 \u0442\u0435\u0433\u0438 \u0441 \u0430\u0442\u0440\u0438\u0431\u0443\u0442\u043e\u043c align tree.xpath('\/\/h2[@align=&quot;center&quot;]') # h2 \u0442\u0435\u0433\u0438 \u0441 \u0430\u0442\u0440\u0438\u0431\u0443\u0442\u043e\u043c align \u0440\u0430\u0432\u043d\u044b\u043c &quot;center&quot;  div_node = tree.xpath('\/\/div')[0] # div \u0442\u0435\u0433 div_node.xpath('.\/\/h2') # \u0432\u0441\u0435 h2 \u0442\u0435\u0433\u0438, \u043a\u043e\u0442\u043e\u0440\u044b\u0435 \u044f\u0432\u043b\u044f\u044e\u0442\u0441\u044f \u0434\u043e\u0447\u0435\u0440\u043d\u0438\u043c\u0438 div \u043d\u043e\u0434\u0435 <\/code><\/pre>\n<p>  \u041f\u043e\u0434\u0440\u043e\u0431\u043d\u0435\u0435 \u043f\u0440\u043e \u0441\u0438\u043d\u0442\u0430\u043a\u0441\u0438\u0441 XPath \u0442\u0430\u043a\u0436\u0435 \u043c\u043e\u0436\u043d\u043e \u043f\u043e\u0447\u0438\u0442\u0430\u0442\u044c \u043d\u0430 <a href=\"http:\/\/www.w3schools.com\/xsl\/xpath_intro.asp\">W3Schools<\/a>.<\/p>\n<h3>\u0412\u0435\u0440\u043d\u0435\u043c\u0441\u044f \u043a \u043d\u0430\u0448\u0435\u0439 \u0437\u0430\u0434\u0430\u0447\u0435<\/h3>\n<p>  \u0422\u0435\u043f\u0435\u0440\u044c \u043f\u0435\u0440\u0435\u0439\u0434\u0435\u043c \u043d\u0435\u043f\u043e\u0441\u0440\u0435\u0434\u0441\u0442\u0432\u0435\u043d\u043d\u043e \u043a \u043f\u043e\u043b\u0443\u0447\u0435\u043d\u0438\u044e \u0434\u0430\u043d\u043d\u044b\u0445 \u0438\u0437 html. \u041f\u0440\u043e\u0449\u0435 \u0432\u0441\u0435\u0433\u043e \u043f\u043e\u043d\u044f\u0442\u044c \u043a\u0430\u043a \u0443\u0441\u0442\u0440\u043e\u0435\u043d\u0430 html-\u0441\u0442\u0440\u0430\u043d\u0438\u0446\u0430 \u0438\u0441\u043f\u043e\u043b\u044c\u0437\u0443\u044f \u0444\u0443\u043d\u043a\u0446\u0438\u044e &quot;\u0418\u043d\u0441\u043f\u0435\u043a\u0442\u0438\u0440\u043e\u0432\u0430\u0442\u044c \u044d\u043b\u0435\u043c\u0435\u043d\u0442&quot; \u0432 \u0431\u0440\u0430\u0443\u0437\u0435\u0440\u0435. \u0412 \u0434\u0430\u043d\u043d\u043e\u043c \u0441\u043b\u0443\u0447\u0430\u0435 \u0432\u0441\u0435 \u0434\u043e\u0432\u043e\u043b\u044c\u043d\u043e \u043f\u0440\u043e\u0441\u0442\u043e: \u0432\u0441\u044f \u0442\u0430\u0431\u043b\u0438\u0446\u0430 \u0441 \u043e\u0446\u0435\u043d\u043a\u0430\u043c\u0438 \u0437\u0430\u043a\u043b\u044e\u0447\u0435\u043d\u0430 \u0432 \u0442\u0435\u0433\u0435 <code>&lt;div class = &quot;profileFilmsList&quot;&gt;<\/code>. \u0412\u044b\u0434\u0435\u043b\u0438\u043c \u044d\u0442\u0443 \u043d\u043e\u0434\u0443:  <\/p>\n<pre><code class=\"python\">from bs4 import BeautifulSoup from lxml import html  # Beautiful Soup soup = BeautifulSoup(text) film_list = film_list = soup.find('div', {'class': 'profileFilmsList'})  # lxml  tree = html.fromstring(text) film_list_lxml = tree.xpath('\/\/div[@class = &quot;profileFilmsList&quot;]')[0]<\/code><\/pre>\n<p>  \u041a\u0430\u0436\u0434\u044b\u0439 \u0444\u0438\u043b\u044c\u043c \u043f\u0440\u0435\u0434\u0441\u0442\u0430\u0432\u043b\u0435\u043d \u043a\u0430\u043a <code>&lt;div class = &quot;item&quot;&gt;<\/code> \u0438\u043b\u0438 <code>&lt;div class = &quot;item even&quot;&gt;<\/code>. \u0420\u0430\u0441\u0441\u043c\u043e\u0442\u0440\u0438\u043c, \u043a\u0430\u043a \u0432\u044b\u0442\u0430\u0449\u0438\u0442\u044c \u0440\u0443\u0441\u0441\u043a\u043e\u0435 \u043d\u0430\u0437\u0432\u0430\u043d\u0438\u0435 \u0444\u0438\u043b\u044c\u043c\u0430 \u0438 \u0441\u0441\u044b\u043b\u043a\u0443 \u043d\u0430 \u0441\u0442\u0440\u0430\u043d\u0438\u0446\u0443 \u0444\u0438\u043b\u044c\u043c\u0430 (\u0442\u0430\u043a\u0436\u0435 \u0443\u0437\u043d\u0430\u0435\u043c, \u043a\u0430\u043a \u043f\u043e\u043b\u0443\u0447\u0438\u0442\u044c \u0442\u0435\u043a\u0441\u0442 \u0438 \u0437\u043d\u0430\u0447\u0435\u043d\u0438\u0435 \u0430\u0442\u0440\u0438\u0431\u0443\u0442\u0430).<br \/>  <img decoding=\"async\" src=\"https:\/\/habrastorage.org\/files\/fb3\/b60\/ca3\/fb3b60ca302141098a888d2d91e7fa5b.png\" alt=\"image\"\/>  <\/p>\n<pre><code class=\"python\"># Beatiful Soup movie_link = item.find('div', {'class': 'nameRus'}).find('a').get('href') movie_desc = item.find('div', {'class': 'nameRus'}).find('a').text  # lxml movie_link = item_lxml.xpath('.\/\/div[@class = &quot;nameRus&quot;]\/a\/@href')[0] movie_desc = item_lxml.xpath('.\/\/div[@class = &quot;nameRus&quot;]\/a\/text()')[0]<\/code><\/pre>\n<p>  \u0415\u0449\u0435 \u043d\u0435\u0431\u043e\u043b\u044c\u0448\u043e\u0439 \u0445\u0438\u043d\u0442 \u0434\u043b\u044f debug&#8217;a: \u0434\u043b\u044f \u0442\u043e\u0433\u043e, \u0447\u0442\u043e\u0431\u044b \u043f\u043e\u0441\u043c\u043e\u0442\u0440\u0435\u0442\u044c, \u0447\u0442\u043e \u0432\u043d\u0443\u0442\u0440\u0438 \u0432\u044b\u0431\u0440\u0430\u043d\u043d\u043e\u0439 \u043d\u043e\u0434\u044b \u0432 BeautifulSoup \u043c\u043e\u0436\u043d\u043e \u043f\u0440\u043e\u0441\u0442\u043e \u0440\u0430\u0441\u043f\u0435\u0447\u0430\u0442\u0430\u0442\u044c \u0435\u0435, \u0430 \u0432 lxml \u0432\u043e\u0441\u043f\u043e\u043b\u044c\u0437\u043e\u0432\u0430\u0442\u044c\u0441\u044f \u0444\u0443\u043d\u043a\u0446\u0438\u0435\u0439 <code>tostring()<\/code> \u043c\u043e\u0434\u0443\u043b\u044f etree.  <\/p>\n<pre><code class=\"python\"># BeatifulSoup print item  #lxml from lxml import etree print etree.tostring(item_lxml)<\/code><\/pre>\n<p>  <\/p>\n<div class=\"spoiler\"><b class=\"spoiler_title\">\u041f\u043e\u043b\u043d\u044b\u0439 \u043a\u043e\u0434 \u0434\u043b\u044f \u043f\u0430\u0440\u0441\u0438\u043d\u0433\u0430 html-\u0444\u0430\u0439\u043b\u043e\u0432 \u043f\u043e\u0434 \u043a\u0430\u0442\u043e\u043c<\/b><\/p>\n<div class=\"spoiler_text\">\n<pre><code class=\"python\">def read_file(filename):     with open(filename) as input_file:         text = input_file.read()     return text  def parse_user_datafile_bs(filename):     results = []     text = read_file(filename)      soup = BeautifulSoup(text)     film_list = film_list = soup.find('div', {'class': 'profileFilmsList'})     items = film_list.find_all('div', {'class': ['item', 'item even']})     for item in items:         # getting movie_id         movie_link = item.find('div', {'class': 'nameRus'}).find('a').get('href')         movie_desc = item.find('div', {'class': 'nameRus'}).find('a').text         movie_id = re.findall('\\d+', movie_link)[0]          # getting english name         name_eng = item.find('div', {'class': 'nameEng'}).text          #getting watch time         watch_datetime = item.find('div', {'class': 'date'}).text         date_watched, time_watched = re.match('(\\d{2}\\.\\d{2}\\.\\d{4}), (\\d{2}:\\d{2})', watch_datetime).groups()          # getting user rating         user_rating = item.find('div', {'class': 'vote'}).text         if user_rating:             user_rating = int(user_rating)          results.append({                 'movie_id': movie_id,                 'name_eng': name_eng,                 'date_watched': date_watched,                 'time_watched': time_watched,                 'user_rating': user_rating,                 'movie_desc': movie_desc             })     return results  def parse_user_datafile_lxml(filename):     results = []     text = read_file(filename)      tree = html.fromstring(text)      film_list_lxml = tree.xpath('\/\/div[@class = &quot;profileFilmsList&quot;]')[0]     items_lxml = film_list_lxml.xpath('\/\/div[@class = &quot;item even&quot; or @class = &quot;item&quot;]')       for item_lxml in items_lxml:         # getting movie id         movie_link = item_lxml.xpath('.\/\/div[@class = &quot;nameRus&quot;]\/a\/@href')[0]         movie_desc = item_lxml.xpath('.\/\/div[@class = &quot;nameRus&quot;]\/a\/text()')[0]         movie_id = re.findall('\\d+', movie_link)[0]          # getting english name         name_eng = item_lxml.xpath('.\/\/div[@class = &quot;nameEng&quot;]\/text()')[0]          # getting watch time         watch_datetime = item_lxml.xpath('.\/\/div[@class = &quot;date&quot;]\/text()')[0]         date_watched, time_watched = re.match('(\\d{2}\\.\\d{2}\\.\\d{4}), (\\d{2}:\\d{2})', watch_datetime).groups()          # getting user rating         user_rating = item_lxml.xpath('.\/\/div[@class = &quot;vote&quot;]\/text()')         if user_rating:             user_rating = int(user_rating[0])          results.append({                 'movie_id': movie_id,                 'name_eng': name_eng,                 'date_watched': date_watched,                 'time_watched': time_watched,                 'user_rating': user_rating,                 'movie_desc': movie_desc             })     return results<\/code><\/pre>\n<p>  <\/div>\n<\/div>\n<p>  <\/p>\n<h2>\u0420\u0435\u0437\u044e\u043c\u0435<\/h2>\n<p>  \u0412 \u0440\u0435\u0437\u0443\u043b\u044c\u0442\u0430\u0442\u0435, \u043c\u044b \u043d\u0430\u0443\u0447\u0438\u043b\u0438\u0441\u044c \u043f\u0430\u0440\u0441\u0438\u0442\u044c web-\u0441\u0430\u0439\u0442\u044b, \u043f\u043e\u0437\u043d\u0430\u043a\u043e\u043c\u0438\u043b\u0438\u0441\u044c \u0441 \u0431\u0438\u0431\u043b\u0438\u043e\u0442\u0435\u043a\u0430\u043c\u0438 Requests, BeautifulSoup \u0438 lxml, \u0430 \u0442\u0430\u043a\u0436\u0435 \u043f\u043e\u043b\u0443\u0447\u0438\u043b\u0438 \u043f\u0440\u0438\u0433\u043e\u0434\u043d\u044b\u0435 \u0434\u043b\u044f \u0434\u0430\u043b\u044c\u043d\u0435\u0439\u0448\u0435\u0433\u043e \u0430\u043d\u0430\u043b\u0438\u0437\u0430 \u0434\u0430\u043d\u043d\u044b\u0435 \u043e \u043f\u0440\u043e\u0441\u043c\u043e\u0442\u0440\u0435\u043d\u043d\u044b\u0445 \u0444\u0438\u043b\u044c\u043c\u0430\u0445 \u043d\u0430 \u041a\u0438\u043d\u043e\u041f\u043e\u0438\u0441\u043a\u0435. <br \/>  <img decoding=\"async\" src=\"https:\/\/habrastorage.org\/files\/7f4\/f35\/054\/7f4f35054190422d887a832c1ac2d997.png\" alt=\"image\"\/><br \/>  \u041f\u043e\u043b\u043d\u044b\u0439 \u043a\u043e\u0434 \u043f\u0440\u043e\u0435\u043a\u0442\u0430 \u043c\u043e\u0436\u043d\u043e \u043d\u0430\u0439\u0442\u0438 \u043d\u0430 <a href=\"https:\/\/github.com\/miptgirl\/kinopoisk_data\/blob\/master\/loading_kp_data.ipynb\">github&#8217;e<\/a>.                 <\/p>\n<div class=\"clear\"><\/div>\n<p> \u0441\u0441\u044b\u043b\u043a\u0430 \u043d\u0430 \u043e\u0440\u0438\u0433\u0438\u043d\u0430\u043b \u0441\u0442\u0430\u0442\u044c\u0438 <a href=\"https:\/\/habrahabr.ru\/post\/280238\/\"> https:\/\/habrahabr.ru\/post\/280238\/<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"<br \/>\n<h1>HOW TO: Web Scrapping \u0441 \u043f\u043e\u043c\u043e\u0449\u044c\u044e Python<\/h1>\n<p>  <\/p>\n<h2>\u0412\u0432\u0435\u0434\u0435\u043d\u0438\u0435<\/h2>\n<p>  \u041d\u0435\u0434\u0430\u0432\u043d\u043e \u0437\u0430\u0433\u043b\u044f\u043d\u0443\u0432 \u043d\u0430 \u041a\u0438\u043d\u043e\u041f\u043e\u0438\u0441\u043a, \u044f \u043e\u0431\u043d\u0430\u0440\u0443\u0436\u0438\u043b\u0430, \u0447\u0442\u043e \u0437\u0430 \u0434\u043e\u043b\u0433\u0438\u0435 \u0433\u043e\u0434\u044b \u0443\u0441\u043f\u0435\u043b\u0430 \u043e\u0441\u0442\u0430\u0432\u0438\u0442\u044c \u0431\u043e\u043b\u0435\u0435 1000 \u043e\u0446\u0435\u043d\u043e\u043a \u0438 \u043f\u043e\u0434\u0443\u043c\u0430\u043b\u0430, \u0447\u0442\u043e \u0431\u044b\u043b\u043e \u0431\u044b \u0438\u043d\u0442\u0435\u0440\u0435\u0441\u043d\u043e \u043f\u043e\u0438\u0441\u0441\u043b\u0435\u0434\u043e\u0432\u0430\u0442\u044c \u044d\u0442\u0438 \u0434\u0430\u043d\u043d\u044b\u0435 \u043f\u043e\u0434\u0440\u043e\u0431\u043d\u0435\u0435: \u043c\u0435\u043d\u044f\u043b\u0438\u0441\u044c \u043b\u0438 \u043c\u043e\u0438 \u0432\u043a\u0443\u0441\u044b \u0432 \u043a\u0438\u043d\u043e \u0441 \u0442\u0435\u0447\u0435\u043d\u0438\u0435\u043c \u0432\u0440\u0435\u043c\u0435\u043d\u0438? \u0435\u0441\u0442\u044c \u043b\u0438 \u0433\u043e\u0434\u043e\u0432\u0430\u044f\/\u043d\u0435\u0434\u0435\u043b\u044c\u043d\u0430\u044f \u0441\u0435\u0437\u043e\u043d\u043d\u043e\u0441\u0442\u044c \u0432 \u0430\u043a\u0442\u0438\u0432\u043d\u043e\u0441\u0442\u0438? \u043a\u043e\u0440\u0440\u0435\u043b\u0438\u0440\u0443\u044e\u0442 \u043b\u0438 \u043c\u043e\u0438 \u043e\u0446\u0435\u043d\u043a\u0438 \u0441 \u0440\u0435\u0439\u0442\u0438\u043d\u0433\u043e\u043c \u041a\u0438\u043d\u043e\u041f\u043e\u0438\u0441\u043a\u0430, IMDb \u0438\u043b\u0438 \u043a\u0438\u043d\u043e\u043a\u0440\u0438\u0442\u0438\u043a\u043e\u0432? <br \/>  \u041d\u043e \u043f\u0440\u0435\u0436\u0434\u0435 \u0447\u0435\u043c \u0430\u043d\u0430\u043b\u0438\u0437\u0438\u0440\u043e\u0432\u0430\u0442\u044c \u0438 \u0441\u0442\u0440\u043e\u0438\u0442\u044c \u043a\u0440\u0430\u0441\u0438\u0432\u044b\u0435 \u0433\u0440\u0430\u0444\u0438\u043a\u0438, \u043d\u0443\u0436\u043d\u043e \u043f\u043e\u043b\u0443\u0447\u0438\u0442\u044c \u0434\u0430\u043d\u043d\u044b\u0435. \u041a \u0441\u043e\u0436\u0430\u043b\u0435\u043d\u0438\u044e, \u043c\u043d\u043e\u0433\u0438\u0435 \u0441\u0435\u0440\u0432\u0438\u0441\u044b (\u0438 \u041a\u0438\u043d\u043e\u041f\u043e\u0438\u0441\u043a \u043d\u0435 \u0438\u0441\u043a\u043b\u044e\u0447\u0435\u043d\u0438\u0435) \u043d\u0435 \u0438\u043c\u0435\u044e\u0442 \u043f\u0443\u0431\u043b\u0438\u0447\u043d\u043e\u0433\u043e API, \u0442\u0430\u043a \u0447\u0442\u043e, \u043f\u0440\u0438\u0445\u043e\u0434\u0438\u0442\u0441\u044f \u0437\u0430\u0441\u0443\u0447\u0438\u0442\u044c \u0440\u0443\u043a\u0430\u0432\u0430 \u0438 \u043f\u0430\u0440\u0441\u0438\u0442\u044c html-\u0441\u0442\u0440\u0430\u043d\u0438\u0446\u044b. \u0418\u043c\u0435\u043d\u043d\u043e \u043e \u0442\u043e\u043c, \u043a\u0430\u043a \u0441\u043a\u0430\u0447\u0430\u0442\u044c \u0438 \u0440\u0430\u0441\u043f\u0430\u0440\u0441\u0438\u0442\u044c web-c\u0430\u0439\u0442, \u044f \u0438 \u0445\u043e\u0447\u0443 \u0440\u0430\u0441\u0441\u043a\u0430\u0437\u0430\u0442\u044c \u0432 \u044d\u0442\u043e\u0439 \u0441\u0442\u0430\u0442\u044c\u0435.<br \/>  \u0412 \u043f\u0435\u0440\u0432\u0443\u044e \u043e\u0447\u0435\u0440\u0435\u0434\u044c \u0441\u0442\u0430\u0442\u044c\u044f \u043f\u0440\u0435\u0434\u043d\u0430\u0437\u043d\u0430\u0447\u0435\u043d\u0430 \u0434\u043b\u044f \u0442\u0435\u0445, \u043a\u0442\u043e \u0432\u0441\u0435\u0433\u0434\u0430 \u0445\u043e\u0442\u0435\u043b \u0440\u0430\u0437\u043e\u0431\u0440\u0430\u0442\u044c\u0441\u044f \u0441 Web Scrapping, \u043d\u043e \u043d\u0435 \u0434\u043e\u0445\u043e\u0434\u0438\u043b\u0438 \u0440\u0443\u043a\u0438 \u0438\u043b\u0438 \u043d\u0435 \u0437\u043d\u0430\u043b \u0441 \u0447\u0435\u0433\u043e \u043d\u0430\u0447\u0430\u0442\u044c. <\/p>\n<p>  <strong>Off-topic<\/strong>: \u043a \u0441\u043b\u043e\u0432\u0443, <a href=\"http:\/\/plus.kinopoisk.ru\">\u041d\u043e\u0432\u044b\u0439 \u041a\u0438\u043d\u043e\u043f\u043e\u0438\u0441\u043a<\/a> \u043f\u043e\u0434 \u043a\u0430\u043f\u043e\u0442\u043e\u043c \u0438\u0441\u043f\u043e\u043b\u044c\u0437\u0443\u0435\u0442 \u0437\u0430\u043f\u0440\u043e\u0441\u044b, \u043a\u043e\u0442\u043e\u0440\u044b\u0435 \u0432\u043e\u0437\u0432\u0440\u0430\u0449\u0430\u044e\u0442 \u0434\u0430\u043d\u043d\u044b\u0435 \u043e\u0431 \u043e\u0446\u0435\u043d\u043a\u0430\u0445 \u0432 \u0432\u0438\u0434\u0435 JSON, \u0442\u0430\u043a \u0447\u0442\u043e, \u0437\u0430\u0434\u0430\u0447\u0430 \u043c\u043e\u0433\u043b\u0430 \u0431\u044b\u0442\u044c \u0440\u0435\u0448\u0435\u043d\u0430 \u0438 \u0434\u0440\u0443\u0433\u0438\u043c \u043f\u0443\u0442\u0435\u043c.<\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[],"tags":[],"class_list":["post-277022","post","type-post","status-publish","format-standard","hentry"],"_links":{"self":[{"href":"https:\/\/savepearlharbor.com\/index.php?rest_route=\/wp\/v2\/posts\/277022","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/savepearlharbor.com\/index.php?rest_route=\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/savepearlharbor.com\/index.php?rest_route=\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/savepearlharbor.com\/index.php?rest_route=\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/savepearlharbor.com\/index.php?rest_route=%2Fwp%2Fv2%2Fcomments&post=277022"}],"version-history":[{"count":0,"href":"https:\/\/savepearlharbor.com\/index.php?rest_route=\/wp\/v2\/posts\/277022\/revisions"}],"wp:attachment":[{"href":"https:\/\/savepearlharbor.com\/index.php?rest_route=%2Fwp%2Fv2%2Fmedia&parent=277022"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/savepearlharbor.com\/index.php?rest_route=%2Fwp%2Fv2%2Fcategories&post=277022"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/savepearlharbor.com\/index.php?rest_route=%2Fwp%2Fv2%2Ftags&post=277022"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}