今天對解析網頁數據最為常見三種方式進行介紹:分別是Beautiful、正則表達式和xpath。其中xpath最為常用,也最為方便
1 BeautifulSoup
基本知識點:
bs4進行數據解析
-數據解析的原理:
1.標籤定位
2.提取標籤,標籤屬性中存儲的數據值
-bs4數據解析的原理:
1.實例化一個BeautifulSoup對象,並將頁面源碼數據加載在該對象中
2.通過調用BeautifulSoup對象中相關屬性或者方法進行標籤定位和數據提取
-環境安裝:
pip install bs4
- 如何實例化BeautifulSoup對象:
- from bs4 import BeautifulSoup
- 對象的實例化:
- 1. 將本地的html文檔中的數據加載到該對象中
- 2. 將互聯網獲取的頁面源碼加載到該對象中
- 提供的用於數據解析的方法與屬性:
- soup.tagName:返回的是文檔中第一次出現的tagName對應的標籤(tagName為網頁中的標籤名)
- soup.find('tagName') 返回的也是文檔中第一次出現的tagName對應的標籤
注:find('tagName')中可以包含多個tagName參數,使得能被準確定位到
- soup.find_all('tagName') 返回的是文檔中所有tagName部分(注:中間同樣可以包含多個tagName)
- soup.select('某種選擇器(id,class,標籤...選擇器)'),返回的是一個列表
-層級選擇器:
> 表示的是一個層級
空格表示的是多個層級
- 獲取標籤之間的文本數據:
-soup.a.text/string/get_text()
-text/get_text() 可以獲取一個標籤中所有的文本內容
-string 只可以獲得該標籤下直系的文本內容
- 獲取標籤中的屬性值:
-soup.a['href']
爬取任務:詩詞名句網中的《三國演義》全文
網頁顯示如下:
代碼示例:
<code>from bs4 import BeautifulSoup import requests if __name__ == '__main__': # 解析網頁所有內容 url = "http://www.shicimingju.com/book/sanguoyanyi.html" headers = { 'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) ' 'Chrome/75.0.3770.100 Safari/537.36 ' } page_text = requests.get(url=url,headers=headers).text # 解析網頁上需要的東西(即章節詳情頁鏈接和章節標題) soup = BeautifulSoup(page_text,'lxml') li_list = soup.select('.book-mulu > ul > li') fp = open('./三國演義.txt', 'w', encoding='utf-8') for li in li_list: # mile = [] title = li.a.string href = li.a['href'] page_text2 = requests.get(url="http://www.shicimingju.com"+href, headers=headers).text # print(page_text2) soup2 = BeautifulSoup(page_text2, 'lxml') p_list = soup2.find('div',class_="chapter_content") content = p_list.text #print(content) fp.write(title+":"+content+'\n') print(title,"爬取成功")/<code>
結果顯示:
2 正則表達式
基本知識點
- 字符
- [ab5@]
匹配"a"或"b"或"5"或"@" - [^abc]
匹配a、b、c之外的任意字符 - [f-k]
匹配“f"到"k"之間的字符 - [^A-F0-3]
匹配“A"-"F","0"-"3"之外的任意一個字符 - \d
任意一個數字,0~9 - \w
任意一個字母、數字、漢字或下劃線,A~Z、a~z、0~9、_和任意一個漢字 - \s
任意空白符,包括空格、製表符、換行符 - .
小數點可以匹配任意一個字符,換行除外(如果要匹配包括"\n"在內的所有字符,一般用[\s\S]) - 普通字符:字母、數字、漢字、下劃線,匹配與之相同的一個字符
- 簡單轉義字符:\n(換行),\t(製表),\\(\本身)和 \^...(\^等有特殊作用的符號如要匹配自己的話要用轉義)
- 標準字符集合
注意區分大小寫,大寫是相反的意思,匹配相反是不匹配 - 自定義字符集合
[ ]方括號匹配方式,能夠匹配方括號中的任意一個字符,^表示取反 - 量詞(Quantifier)
修飾前面的一個表達式,如果要修飾多個表達式,就用( )把表達式包起來 - 貪婪模式 (默認)
匹配符合的最長的字符串 - 非貪婪模式 (在量詞後面加 ? 例:{m,n}? )
匹配符合的最短的字符串 - {n}
表達式重複n次 - {m,n}
表達式至少重複m次,最多重複n次 - {m,}
表達式至少重複m次 - ?匹配表達式0或1次,相當於{0,1}
- +表達式至少出現一次,相當於{1,}
- *表達式不出現或出現任意次,相當於{0,}
爬取任務:糗圖百科中的“熱圖”
網頁顯示如下:
代碼示例:
<code>import requests import re import os if __name__ == '__main__': # 創建文件夾,用於存放所有圖片 if not os.path.exists('./qiutu'): os.mkdir('./qiutu') baseurl = "https://www.qiushibaike.com/imgrank/page/" headers = { 'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) ' 'Chrome/75.0.3770.100 Safari/537.36 ' } want_img = int(input("你想獲得幾頁圖片:")) if 13>= want_img > 0: for i in range(1,want_img+1): url = baseurl+str(i) # 獲取單張網頁 response = requests.get(url=url,headers=headers) page_text = response.text # 定位解析專門的鏈接位置 findimg = re.compile(r'', re.S) img = re.findall(findimg,page_text) # 注意findall 的前面為re正則,後面為範圍 for j in img: scr="https:"+j #真正的圖片鏈接 img_data = requests.get(url=scr,headers=headers).content # 生成圖片 # 生成圖片名稱 img_name = scr.split('/')[-1] # 以圖片鏈接最後的部分作為名字 # 圖片存儲的路徑 img_path = './qiutu/'+img_name with open(img_path,'wb') as fp: fp.write(img_data) print(img_name,"下載成功") print("一共有%d張"%(len(img)*want_img)) else: print('對不起,鐵汁,沒這麼多頁圖').*?', re.S) img = re.findall(findimg,page_text) # 注意findall 的前面為re正則,後面為範圍 for j in img: scr="https:"+j #真正的圖片鏈接 img_data = requests.get(url=scr,headers=headers).content # 生成圖片 # 生成圖片名稱 img_name = scr.split('/')[-1] # 以圖片鏈接最後的部分作為名字 # 圖片存儲的路徑 img_path = './qiutu/'+img_name with open(img_path,'wb') as fp: fp.write(img_data) print(img_name,"下載成功") print("一共有%d張"%(len(img)*want_img)) else: print('對不起,鐵汁,沒這麼多頁圖')
結果顯示:
3 xpath
基本知識點:
xpath解析:最常用也是最便捷高效的一種解析方式,具有通用性。
-xpath解析原理:
-1.實例化一個etree的對象,且將需要被解析的頁面源碼數據加載到該對象中
-2.調用etree對象中的xpath方法,結合著xpath表達式實現標籤的定位以及內容的捕獲。
- 環境的安裝:
- pip install lxml
- 如何實例化一個etree對象
-1.將本地的html文檔中的源碼數據加載到該對象中
etree.parse(filePath)
-2.可以將從互聯網上獲取的源碼數據加載到該對象中
etree.HTML('page_text')
- xpath('xpath表達式')
-xpath表達式
- .: 選取當前節點
- /:表示的是一個層級,從根節點開始定位
- //:表示的是多個層級。可以表示從任意位置開始定位
- 屬性定位://tag[@屬性='']
- 索引定位://tag[@屬性='']/p[3] 索引是從1開始的
- 取文本:
- /text() 獲取的是標籤中直系的文本內容
- //text() 獲取的是標籤中非直系的文本內容(標籤中所有的文本內容)
- 取屬性:
- /@attrName ==>img/src
xpath方式爬取將在接下來的爬取案例中呈現
- END -
李
讀書、觀影
分享生活的碎片
有理想的人不會傷心
收藏
舉報
李的讀書觀影筆記Loading.../<code>