数据解析三种方式
引言:回顾requests实现数据爬取的流程
- 指定url
- 基于requests模块发起请求
- 获取响应对象中的数据
- 进行持久化存储
其实,在上述流程中还需要较为重要的一步,就是在持久化存储之前需要进行指定数据解析。因为大多数情况下的需求,我们都会指定去使用聚焦爬虫,也就是爬取页面中指定部分的数据值,而不是整个页面的数据。因此,本次课程中会给大家详细介绍讲解三种聚焦爬虫中的数据解析方式。至此,我们的数据爬取的流程可以修改为:
- 指定url
- 基于requests模块发起请求
- 获取响应中的数据
- 数据解析
- 进行持久化存储
一、正解解析
常用正则表达式回顾:
单字符: . : 除换行以外所有字符 [] :[aoe] [a-w] 匹配集合中任意一个字符 d :数字 [0-9] D : 非数字 w :数字、字母、下划线、中文 W : 非w s :所有的空白字符包,括空格、制表符、换页符等等。等价于 [ f v]。 S : 非空白 数量修饰: * : 任意多次 >=0 + : 至少1次 >=1 ? : 可有可无 0次或者1次 {m} :固定m次 hello{3,} {m,} :至少m次 {m,n} :m-n次 边界: $ : 以某某结尾 ^ : 以某某开头 分组: (ab) 贪婪模式: .* 非贪婪(惰性)模式: .*? re.I : 忽略大小写 re.M :多行匹配 re.S :单行匹配 re.sub(正则表达式, 替换内容, 字符串)
回顾练习:
import re # 提取出python key = "javapythonc++php" re.findall('python', key)[0] ##################################################################### # 提取出hello world key = "<html><h1>hello world<h1></html>" re.findall('<h1>(.*)<h1>', key)[0] ##################################################################### # 提取170 string = '我喜欢身高为170的女孩' re.findall('d+', string) ##################################################################### # 提取出http://和https:// key = 'http://www.baidu.com and https://boob.com' re.findall('https?://', key) ##################################################################### # 提取出hello key = 'lalala<hTml>hello</HtMl>hahah' # 输出<hTml>hello</HtMl> re.findall('<[Hh][Tt][mM][lL]>(.*)</[Hh][Tt][mM][lL]>', key) ##################################################################### # 提取出hit. key = 'bobo@hit.edu.com' # 想要匹配到hit. re.findall('h.*?.', key) ##################################################################### # 匹配sas和saas key = 'saas and sas and saaas' re.findall('sa{1,2}s', key) ##################################################################### # 匹配出i开头的行 string = '''fall in love with you i love you very much i love she i love her''' re.findall('^.*', string, re.M) ##################################################################### # 匹配全部行 string1 = """<div>静夜思 窗前明月光 疑是地上霜 举头望明月 低头思故乡 </div>""" re.findall('.*', string1, re.S)
项目需求:
爬取糗事百科指定页面的糗图,并将其保存到指定文件夹中
#!/usr/bin/env python # -*- coding:utf-8 -*- import requests import re import os if __name__ == "__main__": url = 'https://www.qiushibaike.com/pic/%s/' headers = { 'User-Agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_12_0) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/69.0.3497.100 Safari/537.36', } # 指定起始也结束页码 page_start = int(input('enter start page:')) page_end = int(input('enter end page:')) # 创建文件夹 if not os.path.exists('images'): os.mkdir('images') # 循环解析且下载指定页码中的图片数据 for page in range(page_start, page_end + 1): print('正在下载第%d页图片' % page) new_url = format(url % page) response = requests.get(url=new_url, headers=headers) # 浏览器查看一个图片定位到以下格式其余的图片也相同格式 """ <div class="thumb"> <a href="/article/121204447" target="_blank"> <img src="//pic.qiushibaike.com/system/pictures/12120/121204447/medium/MVWXTN679W1DVGVE.jpg" alt="人生如梦"> </a> </div> """ # 解析response中的图片链接 e = '<div class="thumb">.*?<img src="(.*?)".*?>.*?</div>' pa = re.compile(e, re.S) image_urls = pa.findall(response.text) # 循环下载该页码下所有的图片数据 for image_url in image_urls: image_url = 'https:' + image_url image_name = image_url.split('/')[-1] image_path = 'images/' + image_name image_data = requests.get(url=image_url, headers=headers).content with open(image_path, 'wb') as fp: fp.write(image_data)
二、Xpath解析
1、测试页面数据
<html lang="en"> <head> <meta charset="UTF-8" /> <title>测试bs4</title> </head> <body> <div> <p>百里守约</p> </div> <div class="song"> <p>李清照</p> <p>王安石</p> <p>苏轼</p> <p>柳宗元</p> <a href="http://www.song.com/" title="赵匡胤" target="_self"> <span>this is span</span> 宋朝是最强大的王朝,不是军队的强大,而是经济很强大,国民都很有钱</a> <a href="" class="du">总为浮云能蔽日,长安不见使人愁</a> <img src="http://www.baidu.com/meinv.jpg" alt="" /> </div> <div class="tang"> <ul> <li><a href="http://www.baidu.com" title="qing">清明时节雨纷纷,路上行人欲断魂,借问酒家何处有,牧童遥指杏花村</a></li> <li><a href="http://www.163.com" title="qin">秦时明月汉时关,万里长征人未还,但使龙城飞将在,不教胡马度阴山</a></li> <li><a href="http://www.126.com" alt="qi">岐王宅里寻常见,崔九堂前几度闻,正是江南好风景,落花时节又逢君</a></li> <li><a href="http://www.sina.com" class="du">杜甫</a></li> <li><a href="http://www.dudu.com" class="du">杜牧</a></li> <li><b>杜小月</b></li> <li><i>度蜜月</i></li> <li><a href="http://www.haha.com" id="feng">凤凰台上凤凰游,凤去台空江自流,吴宫花草埋幽径,晋代衣冠成古丘</a></li> </ul> </div> </body> </html>
2、常用 xpath表达式回顾
常用的路径表达式,这里列举了一些常用的,XPath的功能非常强大,内含超过100个的内建函数。
下面为常用的方法
nodeName 选取此节点的所有节点 / 从根节点选取 // 从匹配选择的当前节点选择文档中的节点,不考虑它们的位置 . 选择当前节点 .. 选取当前节点的父节点 @ 选取属性 * 匹配任何元素节点 @* 匹配任何属性节点 Node() 匹配任何类型的节点
属性定位: #找到class属性值为song的div标签 //div[@class="song"]
层级&索引定位: #找到class属性值为tang的div的直系子标签ul下的第二个子标签li下的直系子标签a //div[@class="tang"]/ul/li[2]/a
逻辑运算: #找到href属性值为空且class属性值为du的a标签 //a[@href="" and @class="du"]
模糊匹配: //div[contains(@class, "ng")] //div[starts-with(@class, "ta")]
取文本: # /表示获取某个标签下的文本内容 # //表示获取某个标签下的文本内容和所有子标签下的文本内容 //div[@class="song"]/p[1]/text() //div[@class="tang"]//text()
取属性: //div[@class="tang"]//li[2]/a/@href
3、代码中使用xpath表达式进行数据解析:
1.下载:pip install lxml 2.导包:from lxml import etree 3.将html文档或者xml文档转换成一个etree对象,然后调用对象中的方法查找指定的节点 2.1 本地文件:tree = etree.parse(文件名) tree.xpath("xpath表达式") 2.2 网络数据:tree = etree.HTML(网页内容字符串) tree.xpath("xpath表达式")
4、安装xpath插件在浏览器中对xpath表达式进行验证:可以在插件中直接执行xpath表达式
将xpath插件拖动到谷歌浏览器拓展程序(更多工具)中,安装成功
启动和关闭插件 ctrl + shift + x
Xpath 获取路径:
开发者工具-->Elements
右键点击—>Copy->Copy Xpath
项目需求:
获取笑话段子段子的作者和内容 https://www.xiaohua.com/
from lxml import etree import requests url = 'https://www.xiaohua.com/duanzi/' headers = { 'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/66.0.3359.181 Safari/537.36', } url_content = requests.get(url=url, headers=headers).text # 实例化一个etree对象,并且将页面数据放置etree中 tree = etree.HTML(url_content) # 对象类型为Element类型,可以使用xpath方法 # 解析获取当页所有段子的div标题,定位到页码以上的div,xpath永远返回一个列表 div_list = tree.xpath('//div[@class="content-left"]/div[@class="one-cont"]') # print(div_list) for ele in div_list: # 针对div表示的局部页面内容进行指定内容解析 # 段子的作者 author = ele.xpath('.//div[@class="one-cont-font clearfix"]/a/i/text()')[0] # 段子内容 content = ele.xpath('./p/a//text()')[0] print(author) print(content) with open('./xiaohua.txt','a+',encoding='utf-8') as fp: fp.write("作者:"+author+" 内容: "+content+" ")
三、BeautifulSoup解析
环境安装
- 需要将pip源设置为国内源,阿里源、豆瓣源、网易源等 - windows (1)打开文件资源管理器(文件夹地址栏中) (2)地址栏上面输入 %appdata% (3)在这里面新建一个文件夹 pip (4)在pip文件夹里面新建一个文件叫做 pip.ini ,内容写如下即可 [global] timeout = 6000 index-url = https://mirrors.aliyun.com/pypi/simple/ trusted-host = mirrors.aliyun.com - linux (1)cd ~ (2)mkdir ~/.pip (3)vi ~/.pip/pip.conf (4)编辑内容,和windows一模一样 - 需要安装:pip install bs4 bs4在使用时候需要一个第三方库,把这个库也安装一下 pip install lxml
基本使用
soup = BeautifulSoup(html_doc, 'html.parser') print(soup.prettify()) # 拿到格式化所有内容 # print(soup.text) #获取文本内容 # # print(soup.title) # 拿到title标签 # # print(soup.title.name) #拿到标签名字 # # print(soup.title.string ) # 拿到标签的内容 # # print(soup.title.parent.name) # 拿到上一个标签 # # print(soup.p['class']) # 拿到p标签的属性 # print(soup.a["href"]) # 拿到a标签的链接 # # print(soup.find_all('a')) #那都所有的a标签 # # print(soup.find(id="link3")) #查找所有ID是link3
使用流程: - 导包:from bs4 import BeautifulSoup - 使用方式:可以将一个html文档,转化为BeautifulSoup对象,然后通过对象的方法或者属性去查找指定的节点内容 (1)转化本地文件: - soup = BeautifulSoup(open('本地文件'), 'lxml') (2)转化网络文件: - soup = BeautifulSoup('字符串类型或者字节类型', 'lxml') (3)打印soup对象显示内容为html文件中的内容 基础巩固: (1)根据标签名查找 - soup.a 只能找到第一个符合要求的标签
(2)获取属性 - soup.a.attrs 获取a所有的属性和属性值,返回一个字典 - soup.a.attrs['href'] 获取href属性 - soup.a['href'] 也可简写为这种形式
(3)获取内容 - soup.a.string - soup.a.text - soup.a.get_text() 【注意】如果标签还有标签,那么string获取到的结果为None,而其它两个,可以获取文本内容
(4)find:找到第一个符合要求的标签 - soup.find('a') 找到第一个符合要求的 - soup.find('a', title="xxx") - soup.find('a', alt="xxx") - soup.find('a', class_="xxx") - soup.find('a', id="xxx")
(5)find_all:找到所有符合要求的标签 - soup.find_all('a') - soup.find_all(['a','b']) 找到所有的a和b标签 - soup.find_all('a', limit=2) 限制前两个
(6)根据选择器选择指定的内容 select:soup.select('#feng') - 常见的选择器:标签选择器(a)、类选择器(.)、id选择器(#)、层级选择器 - 层级选择器: div .dudu #lala .meme .xixi 下面好多级 div > p > a > .lala 只能是下面一级 【注意】select选择器返回永远是列表,需要通过下标提取指定的对象
项目:
需求:使用bs4实现将诗词名句网站中三国演义小说的每一章的内容爬去到本地磁盘进行存储 http://www.shicimingju.com/book/sanguoyanyi.html
#!/usr/bin/env python # -*- coding:utf-8 -*- import requests from bs4 import BeautifulSoup headers = { 'User-Agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_12_0) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/69.0.3497.100 Safari/537.36', } def parse_content(url): # 获取标题正文页数据 page_text = requests.get(url=url, headers=headers).text soup = BeautifulSoup(page_text, 'lxml') # 解析获得标签,章节对应的文本内容 content_list = soup.find('div', class_='chapter_content') content = content_list.text # 获取标签中的数据值 return content if __name__ == "__main__": url = 'http://www.shicimingju.com/book/sanguoyanyi.html' reponse = requests.get(url=url, headers=headers) page_text = reponse.text # 实例化soup对象 soup = BeautifulSoup(page_text, 'lxml') # 解析文章标题列表 title_list = soup.select('.book-mulu > ul > li > a') count = 0 for title in title_list: count += 1 print('开始下载第{}章节'.format(count)) # 获取文章标题名字 title_name = title.string # 拼接域名+文章链接 content_url = 'http://www.shicimingju.com' + title['href'] # 获取文章内容,调用写好的获取文章内容函数,传入content_url content = parse_content(content_url) # 持久化存储 with open('./sanguo.txt','a+',encoding='utf-8') as fp: fp.write(title_name+":"+content+' ') print('结束下载第{}章节'.format(count))