今天对解析网页数据最为常见三种方式进行介绍:分别是Beautiful、正则表达式和xpath。其中xpath最为常用,也最为方便
1 BeautifulSoup
![python爬虫中的三种常见解析网页数据的方式](http://p2.ttnews.xyz/loading.gif)
基本知识点:
bs4进行数据解析
-数据解析的原理:
1.标签定位
2.提取标签,标签属性中存储的数据值
-bs4数据解析的原理:
1.实例化一个BeautifulSoup对象,并将页面源码数据加载在该对象中
2.通过调用BeautifulSoup对象中相关属性或者方法进行标签定位和数据提取
-环境安装:
pip install bs4
- 如何实例化BeautifulSoup对象:
- from bs4 import BeautifulSoup
- 对象的实例化:
- 1. 将本地的html文档中的数据加载到该对象中
- 2. 将互联网获取的页面源码加载到该对象中
- 提供的用于数据解析的方法与属性:
- soup.tagName:返回的是文档中第一次出现的tagName对应的标签(tagName为网页中的标签名)
- soup.find('tagName') 返回的也是文档中第一次出现的tagName对应的标签
注:find('tagName')中可以包含多个tagName参数,使得能被准确定位到
- soup.find_all('tagName') 返回的是文档中所有tagName部分(注:中间同样可以包含多个tagName)
- soup.select('某种选择器(id,class,标签...选择器)'),返回的是一个列表
-层级选择器:
> 表示的是一个层级
空格表示的是多个层级
- 获取标签之间的文本数据:
-soup.a.text/string/get_text()
-text/get_text() 可以获取一个标签中所有的文本内容
-string 只可以获得该标签下直系的文本内容
- 获取标签中的属性值:
-soup.a['href']
爬取任务:诗词名句网中的《三国演义》全文
网页显示如下:
![python爬虫中的三种常见解析网页数据的方式](http://p2.ttnews.xyz/loading.gif)
代码示例:
<code>from bs4 import BeautifulSoup import requests if __name__ == '__main__': # 解析网页所有内容 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 # 解析网页上需要的东西(即章节详情页链接和章节标题) soup = BeautifulSoup(page_text,'lxml') li_list = soup.select('.book-mulu > ul > li') fp = open('./三国演义.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>
结果显示:
2 正则表达式
基本知识点
- 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"之间的字符 - [^A-F0-3]
匹配“A"-"F","0"-"3"之外的任意一个字符 - \d
任意一个数字,0~9 - \w
任意一个字母、数字、汉字或下划线,A~Z、a~z、0~9、_和任意一个汉字 - \s
任意空白符,包括空格、制表符、换行符 - .
小数点可以匹配任意一个字符,换行除外(如果要匹配包括"\n"在内的所有字符,一般用[\s\S]) - 普通字符:字母、数字、汉字、下划线,匹配与之相同的一个字符
- 简单转义字符:\n(换行),\t(制表),\\(\本身)和 \^...(\^等有特殊作用的符号如要匹配自己的话要用转义)
- 标准字符集合
注意区分大小写,大写是相反的意思,匹配相反是不匹配 - 自定义字符集合
[ ]方括号匹配方式,能够匹配方括号中的任意一个字符,^表示取反 - 量词(Quantifier)
修饰前面的一个表达式,如果要修饰多个表达式,就用( )把表达式包起来 - 贪婪模式 (默认)
匹配符合的最长的字符串 - 非贪婪模式 (在量词后面加 ? 例:{m,n}? )
匹配符合的最短的字符串 - {n}
表达式重复n次 - {m,n}
表达式至少重复m次,最多重复n次 - {m,}
表达式至少重复m次 - ?匹配表达式0或1次,相当于{0,1}
- +表达式至少出现一次,相当于{1,}
- *表达式不出现或出现任意次,相当于{0,}
图源:百度
爬取任务:糗图百科中的“热图”
网页显示如下:
代码示例:
<code>import requests import re import os if __name__ == '__main__': # 创建文件夹,用于存放所有图片 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("你想获得几页图片:")) if 13>= want_img > 0: for i in range(1,want_img+1): url = baseurl+str(i) # 获取单张网页 response = requests.get(url=url,headers=headers) page_text = response.text # 定位解析专门的链接位置 findimg = re.compile(r'', re.S) img = re.findall(findimg,page_text) # 注意findall 的前面为re正则,后面为范围 for j in img: scr="https:"+j #真正的图片链接 img_data = requests.get(url=scr,headers=headers).content # 生成图片 # 生成图片名称 img_name = scr.split('/')[-1] # 以图片链接最后的部分作为名字 # 图片存储的路径 img_path = './qiutu/'+img_name with open(img_path,'wb') as fp: fp.write(img_data) print(img_name,"下载成功") print("一共有%d张"%(len(img)*want_img)) else: print('对不起,铁汁,没这么多页图')
.*?', re.S) img = re.findall(findimg,page_text) # 注意findall 的前面为re正则,后面为范围 for j in img: scr="https:"+j #真正的图片链接 img_data = requests.get(url=scr,headers=headers).content # 生成图片 # 生成图片名称 img_name = scr.split('/')[-1] # 以图片链接最后的部分作为名字 # 图片存储的路径 img_path = './qiutu/'+img_name with open(img_path,'wb') as fp: fp.write(img_data) print(img_name,"下载成功") print("一共有%d张"%(len(img)*want_img)) else: print('对不起,铁汁,没这么多页图')
结果显示:
3 xpath
![]()
基本知识点:
xpath解析:最常用也是最便捷高效的一种解析方式,具有通用性。
-xpath解析原理:
-1.实例化一个etree的对象,且将需要被解析的页面源码数据加载到该对象中
-2.调用etree对象中的xpath方法,结合着xpath表达式实现标签的定位以及内容的捕获。
- 环境的安装:
- pip install lxml
- 如何实例化一个etree对象
-1.将本地的html文档中的源码数据加载到该对象中
etree.parse(filePath)
-2.可以将从互联网上获取的源码数据加载到该对象中
etree.HTML('page_text')
- xpath('xpath表达式')
-xpath表达式
- .: 选取当前节点
- /:表示的是一个层级,从根节点开始定位
- //:表示的是多个层级。可以表示从任意位置开始定位
- 属性定位://tag[@属性='']
- 索引定位://tag[@属性='']/p[3] 索引是从1开始的
- 取文本:
- /text() 获取的是标签中直系的文本内容
- //text() 获取的是标签中非直系的文本内容(标签中所有的文本内容)
- 取属性:
- /@attrName ==>img/src
xpath方式爬取将在接下来的爬取案例中呈现
- END -
![]()
李
读书、观影
分享生活的碎片
有理想的人不会伤心
收藏
举报
李的读书观影笔记Loading.../<code>