爬虫-第二篇-数据解析

数据解析

• 解析:根据指定的规则对数据进行提取
• 作用:实现聚焦爬虫
• 聚焦爬虫的编码流程:
  • 指定url
  • 发起请求
  • 获取响应数据
  • 数据解析
  • 持久化存储
• 数据解析的方式:
  • 正则
  • bs4
  • xpath
  • pyquery(拓展)
• 数据解析的通用原理是什么?
  • 数据解析需要作用在页面源码中(一组html标签组成的)
  • html的核心作用是什么?
    • 展示数据
  • html是如何展示数据的呢?
    • html所要展示的数据一定是被放置在html标签之中,或者是在属性中.
  • 通用原理:
    • 1.标签定位
    • 2.取文本or取属性

如何爬取图片

import requests
headers = {
    'User-Agent':'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/76.0.3809.100 Safari/537.36'
}

方法一:

url = 'https://pic.qiushibaike.com/system/pictures/12217/122176396/medium/OM37E794HBL3OFFF.jpg'
img_data = requests.get(url=url,headers=headers).content #content返回的是byte类型的数据
with open('./123.jpg','wb') as fp:
    fp.write(img_data)

方法二:

from urllib import request
url = 'https://pic.qiushibaike.com/system/pictures/12217/122176396/medium/OM37E794HBL3OFFF.jpg'
request.urlretrieve(url,'./456.jpg')

方法二不可以使用UA伪装的机制,urllib就是一个比较老的网络请求的模块,在requests模块没有出现之前,请求发送的操作使用的都是urllib

正则实现的数据解析

需求:爬取糗事百科中糗图数据

import re
import os

dir_name = './qiutuLibs'
if not os.path.exists(dir_name):
    os.mkdir(dir_name)

url = 'https://www.qiushibaike.com/pic/'
page_text = requests.get(url,headers=headers).text
#数据解析:图片地址
ex = '<div class="thumb">.*?<img src="(.*?)" alt=.*?</div>'
img_src_list = re.findall(ex,page_text,re.S)
for src in img_src_list:
    src = 'https:'+src
    img_name = src.split('/')[-1]
    img_path = dir_name+'/'+img_name
    #对图片地址单独发起请求获取图片数据
    request.urlretrieve(src,img_path)
    print(img_name,'下载成功!!!')

bs4解析

• 环境的安装:
  • pip install bs4
  • pip install lxml
• bs4的解析原理
  • 实例化一个BeautifulSoup的对象,并且将即将被解析的页面源码数据加载到该对象中
  • 调用BeautifulSoup对象中的相关属性和方法进行标签定位和数据提取
• 如何实例化BeautifulSoup对象呢?
  • BeautifulSoup(fp,'lxml'):专门用作于解析本地存储的html文档中的数据
  • BeautifulSoup(page_text,'lxml'):专门用作于将互联网上请求到的页面源码数据进行解析

标签定位

• soup.tagName:定位到第一个TagName标签,返回的是单数
• 属性定位:soup.find('tagName',attrName='value'),返回也是单数
  • find_all:和find用法一致,但是返回值是列表
• 选择器定位:select('选择器'),返回值为列表
  • 标签,类,id,层级(>:一个层级,空格:多个层级)

提取数据

• 取文本:
  • tag.string:标签中直系的文本内容
  • tag.text:标签中所有的文本内容
• 取属性:
  • tag['attrName']

from bs4 import BeautifulSoup

fp = open('html/test.html', 'r', encoding='utf-8')
soup = BeautifulSoup(fp, 'lxml')  # 将即将被解析的页面源码加载到该对象中
print(soup.p)
soup.find('div', class_='song')
soup.find_all('div', class_='song')
soup.select('.tang')
soup.select('#feng')
soup.select('.tang > ul > li')
soup.select('.tang li')
li_6 = soup.select('.tang > ul > li')[6]
i_tag = li_6.i
i_tag.string
soup.find('div', class_='tang').text
soup.find('a', id="feng")['href']

需求:爬取三国演义整篇小说内容http://www.shicimingju.com/book/sanguoyanyi.html

• 章节名称
• 章节内容

#在首页中解析章节名称&每一个章节详情页的url
url = 'http://www.shicimingju.com/book/sanguoyanyi.html'
page_text = requests.get(url,headers=headers).text
soup = BeautifulSoup(page_text,'lxml')
a_list = soup.select('.book-mulu > ul > li > a')
fp = open('sanguo.txt','w',encoding='utf-8')
for a in a_list:
    detail_url = 'http://www.shicimingju.com'+a['href']
    chap_title = a.string
    #对章节详情页的url发起请求,解析详情页中的章节内容
    detail_page_text = requests.get(detail_url,headers=headers).text
    soup = BeautifulSoup(detail_page_text,'lxml')
    chap_content = soup.find('div',class_="chapter_content").text
    fp.write(chap_title+':'+chap_content+'
')
    print(chap_title,'爬取成功!')
fp.close()

xpath解析

• 环境的安装:pip install lxml
• xpath的解析原理
  • 实例化一个etree类型的对象,且将页面源码数据加载到该对象中
  • 需要调用该对象的xpath方法结合着不同形式的xpath表达式进行标签定位和数据提取
• etree对象的实例化
  • etree.parse(fileNane)
  • etree.HTML(page_text)
• xpath方法返回的永远是一个列表

标签定位

• 在xpath表达式中最左侧的/表示的含义是说,当前定位的标签必须从根节点开始进行定位
• xpath表达式中最左侧的//表示可以从任意位置进行标签定位
• xpath表达式中非最左侧的//表示的是多个层级的意思
• xpath表达式中非最左侧的/表示的是一个层级的意思
• 属性定位://tagName[@arrtName='value']
• 索引定位://tagName/li[3]

提取数据

• 取文本:
  • /text():取直系的文本内容
  • //text():取所有的文本内容
• 取属性:
  • tag/@attrName

from lxml import etree
tree = etree.parse('./test.html')
tree.xpath('/html/head/meta')[0] #绝对路径
tree.xpath('//meta')[0] #相对路径,将整个页面源码中所有的meta进行定位
tree.xpath('/html//meta')[0] 
#属性定位
tree.xpath('//div[@class="song"]')
#索引定位
tree.xpath('//div[@class="tang"]/ul/li[3]') #该索引是从1开始
tree.xpath('//div[@class="tang"]//li[3]') #该索引是从1开始
#取文本
tree.xpath('//p[1]/text()')
tree.xpath('//div[@class="song"]//text()')

#取属性
tree.xpath('//a[@id="feng"]/@href')

需求:爬取boss的招聘信息

• 岗位名称
• 公司名称
• 薪资
• 岗位描述

headers = {
    'User-Agent':'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/76.0.3809.100 Safari/537.36',
    'cookie':'lastCity=101010100; __c=1566877560; __g=-; Hm_lvt_194df3105ad7148dcf2b98a91b5e727a=1566877561; _uab_collina=156687756118178796315757; __l=l=%2Fwww.zhipin.com%2F&r=https%3A%2F%2Fwww.baidu.com%2Flink%3Furl%3DidbSvNzz2fLSl1WXiEmtINauVHUZYSNqejHny725pc5RTwaHqh5uDx1LewpyGmaT%26wd%3D%26eqid%3Dbadf667700040677000000025d64a772&friend_source=0&friend_source=0; __zp_stoken__=91d9QItKEtUk5dMMnDG7lwzq8mBW1g%2FkEsFOHXIi%2FwMd%2FPRRXc%2FPMKjsDYwsfC4b7vAT3FVnTmYBjGp8gW1OeZ5TdA%3D%3D; Hm_lpvt_194df3105ad7148dcf2b98a91b5e727a=1566879753; __a=69160831.1566877560..1566877560.16.1.16.16'
}

url = 'https://www.zhipin.com/job_detail/?query=python%E7%88%AC%E8%99%AB&city=101010100&industry=&position='
page_text = requests.get(url,headers=headers).text
#数据解析
tree = etree.HTML(page_text)
li_list = tree.xpath('//div[@class="job-list"]/ul/li')
for li in li_list:
#     需要将li表示的局部页面源码数据中的相关数据进行提取
#     如果xpath表达式被作用在了循环中,表达式要以./或者.//开头
    detail_url = 'https://www.zhipin.com'+li.xpath('.//div[@class="info-primary"]/h3/a/@href')[0]
    job_title = li.xpath('.//div[@class="info-primary"]/h3/a/div/text()')[0]
    salary = li.xpath('.//div[@class="info-primary"]/h3/a/span/text()')[0]
    company = li.xpath('.//div[@class="info-company"]/div/h3/a/text()')[0]
    #对详情页的url发请求解析出岗位职责
    detail_page_text = requests.get(detail_url,headers=headers).text
    tree = etree.HTML(detail_page_text)
    job_desc = tree.xpath('//div[@class="text"]//text()')
    job_desc = ''.join(job_desc)
    
    print(job_title,salary,company,job_desc)

• 另一种较为通用的xpath表达式的使用形式:管道符在xpath表达式中的应用,用于解析不规则布局的页面数据
• 爬取糗事百科的段子内容和作者名称

headers = {
    'User-Agent':'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/76.0.3809.100 Safari/537.36',
}
url = 'https://www.qiushibaike.com/text/page/4/'
page_text = requests.get(url,headers=headers).text

tree = etree.HTML(page_text)
div_list = tree.xpath('//div[@id="content-left"]/div')
for div in div_list:
    author = div.xpath('./div[1]/a[2]/h2/text() | ./div[1]/span[2]/h2/text()')[0]
    content = div.xpath('.//div[@class="content"]/span//text()')
    content = ''.join(content)
    print(author,content)

中文乱码处理的问题

• 爬取http://pic.netbian.com/4kmeishi/的图片和图片名称

#指定一个通用的url模板
url = 'http://pic.netbian.com/4kmeishi/index_%d.html'

for page in range(1,3):
    if page == 1:
        new_url = 'http://pic.netbian.com/4kmeishi/'
    else:
        new_url = format(url%page)
    response =  requests.get(new_url,headers=headers)
    #response.encoding = 'utf-8'
    page_text = response.text
    tree = etree.HTML(page_text)
    li_list = tree.xpath('//*[@id="main"]/div[3]/ul/li')
    for li in li_list:
        img_src = 'http://pic.netbian.com'+li.xpath('./a/img/@src')[0]
        img_name = li.xpath('./a/b/text()')[0]
        img_name = img_name.encode('iso-8859-1').decode('gbk')