本期学习内容:
1、Beautiful Soup库入门
2、xpath
3、正则表达式 re
一、Beautiful Soup库入门
支持的解析器:
Python标准库 :BeautifulSoup(markup, “html.parser”)
lxml HTML 解析器:BeautifulSoup(markup, “lxml”)
lxml XML 解析器 :BeautifulSoup(markup, [“lxml”, “xml”]):BeautifulSoup(markup, “xml”)
html5lib :BeautifulSoup(markup, “html5lib”)
步骤:
第一步:pip install beautifulsoup4 ,万事开头难,先安装 beautifulsoup4,安装成功后就完成了第一步。
第二步:导入from bs4 import BeautifulSoup
第三步:创建 Beautiful Soup对象 soup = BeautifulSoup(html,'html.parser')
例如:
# 导入bs4库
from bs4 import BeautifulSoup
import requests # 抓取页面
r = requests.get('https://python123.io/ws/demo.html') # Demo网址
demo = r.text # 抓取的数据
demo
# 解析HTML页面
soup = BeautifulSoup(demo,'html.parser') # 抓取的页面数据;bs4的解析器
# 有层次感的输出解析后的HTML页面
print(soup.prettify())
实战:中国大学排名定向爬取
import requests
from bs4 import BeautifulSoup
import bs4
def getHTMLText(url):# 1.从网络上获取大学排名网页内容
try:
r = requests.get(url, timeout=30)
r.raise_for_status()
r.encoding = r.apparent_encoding
return r.text
except:
return ""
def fillUnivList(ulist, html):# 2.提取网页内容中信息到合适的数据结构(二维数组)-排名,学校名称,总分
soup = BeautifulSoup(html, "html.parser")
for tr in soup.find('tbody').children:
if isinstance(tr, bs4.element.Tag):
tds = tr('td')
ulist.append([tds[0].string, tds[1].string, tds[3].string])
def printUnivList(ulist, num=20):# 3.利用数据结构展示并输出结果
tplt = "{0:^10}\t{1:{3}^10}\t{2:^10}"
print(tplt.format('排名', '学校名称', '总分', chr(12288)))
for i in range(num):
u = ulist[i]
print(tplt.format(u[0], u[1], u[2], chr(12288)))
def main():
uinfo = []
url = 'http://www.zuihaodaxue.cn/zuihaodaxuepaiming2019.html'
html = getHTMLText(url)
fillUnivList(uinfo, html)
printUnivList(uinfo, 30)
main()
虽然说BeautifulSoup4 简单容易比较上手,但是匹配效率还是远远不如正则以及xpath的,一般不推荐使用,推荐正则的使用。
二、学习xpath
Xpath常用的路径表达式:
· XPath即为XML路径语言(XML Path Language),它是一种用来确定XML文档中某部分位置的语言。
· 在XPath中,有七种类型的节点:元素、属性、文本、命名空间、处理指令、注释以及文档(根)节点。
· XML文档是被作为节点树来对待的。
XPath使用路径表达式在XML文档中选取节点。节点是通过沿着路径选取的。下面列出了最常用的路径表达式:
· nodename 选取此节点的所有子节点。
· / 从根节点选取。
· // 从匹配选择的当前节点选择文档中的节点,而不考虑它们的位置。
. .选取当前节点。
· .. 选取当前节点的父节点。
· @ 选取属性。
· /text() 提取标签下面的文本内容
· 如:
· /标签名 逐层提取
· /标签名 提取所有名为<>的标签
· //标签名[@属性=“属性值”] 提取包含属性为属性值的标签
· @属性名 代表取某个属性名的属性值
使用lxml解析
· 导入库:from lxml import etree
· lxml将html文本转成xml对象
· tree = etree.HTML(html)
· 用户名称:tree.xpath(’//div[@class=“auth”]/a/text()’)
· 回复内容:tree.xpath(’//td[@class=“postbody”]’) 因为回复内容中有换行等标签,所以需要用string()来获取数据。
· string()的详细见链接:https://www.cnblogs.com/CYHISTW/p/12312570.html
· Xpath中text(),string(),data()的区别如下:
· text()仅仅返回所指元素的文本内容。
· string()函数会得到所指元素的所有节点文本内容,这些文本讲会被拼接成一个字符串。
· data()大多数时候,data()函数和string()函数通用,而且不建议经常使用data()函数,有数据表明,该函数会影响XPath的性能。
实战:爬取丁香园-用户名和回复内容
爬取思路:
1、获取url的html/
2、lxml解析html
3、利用Xpath表达式获取user和content/
4、保存爬取的内容
Xpath提取留言用户名和留言内容
from lxml import etree
import requests
url = "http://www.dxy.cn/bbs/thread/626626#626626"
req = requests.get(url)
html = req.text
tree = etree.HTML(html)
user = tree.xpath('//div[@class="auth"]/a/text()')
print(user)
content = tree.xpath('//td[@class="postbody"]')
print(content)
results = []
for i in range(0, len(user)):
# print(user[i].strip()+":"+content[i].xpath('string(.)').strip())
# print("*"*80)
# 因为回复内容中有换行等标签,所以需要用string()来获取数据
results.append(user[i].strip() + ": " + content[i].xpath('string(.)').strip())
# 打印爬取的结果
for i,result in zip(range(0, len(user)),results):
print("user"+ str(i+1) + "-" + result)
print("*"*100)
三、学习正则表达式 re
正则表达式语法:
. 表示任何单个字符
[ ] 字符集,对单个字符给出取值范围 ,如[abc]表示a、b、c,[a‐z]表示a到z单个字符
[^ ] 非字符集,对单个字符给出排除范围 ,如[^abc]表示非a或b或c的单个字符
* 前一个字符0次或无限次扩展,如abc* 表示 ab、abc、abcc、abccc等
+ 前一个字符1次或无限次扩展 ,如abc+ 表示 abc、abcc、abccc等
? 前一个字符0次或1次扩展 ,如abc? 表示 ab、abc
| 左右表达式任意一个 ,如abc|def 表示 abc、def
{m} 扩展前一个字符m次 ,如ab{2}c表示abbc
{m,n} 扩展前一个字符m至n次(含n) ,如ab{1,2}c表示abc、abbc
^ 匹配字符串开头 ,如^abc表示abc且在一个字符串的开头
$ 匹配字符串结尾 ,如abc$表示abc且在一个字符串的结尾
( ) 分组标记,内部只能使用 | 操作符 ,如(abc)表示abc,(abc|def)表示abc、def
\d 数字,等价于[0‐9]
\w 单词字符,等价于[A‐Za‐z0‐9_]
正则表达式re库的使用:
调用方式:import re
re库采用raw string类型表示正则表达式,表示为:r'text',raw string是不包含对转义符再次转义的字符串;
re库的主要功能函数:
re.search() 在一个字符串中搜索匹配正则表达式的第一个位置,返回match对象
re.search(pattern, string, flags=0)
re.match() 从一个字符串的开始位置起匹配正则表达式,返回match对象
re.match(pattern, string, flags=0)
re.findall() 搜索字符串,以列表类型返回全部能匹配的子串
re.findall(pattern, string, flags=0)
re.split() 将一个字符串按照正则表达式匹配结果进行分割,返回列表类型
re.split(pattern, string, maxsplit=0, flags=0)
re.finditer() 搜索字符串,返回一个匹配结果的迭代类型,每个迭代元素是match对象
re.finditer(pattern, string, flags=0)
re.sub() 在一个字符串中替换所有匹配正则表达式的子串,返回替换后的字符串
re.sub(pattern, repl, string, count=0, flags=0)
flags : 正则表达式使用时的控制标记:
re.I --> re.IGNORECASE : 忽略正则表达式的大小写,[A‐Z]能够匹配小写字符
re.M --> re.MULTILINE : 正则表达式中的^操作符能够将给定字符串的每行当作匹配开始
re.S --> re.DOTALL : 正则表达式中的.操作符能够匹配所有字符,默认匹配除换行外的所有字符
re库的另一种等价用法(编译):
regex = re.compile(pattern, flags=0):将正则表达式的字符串形式编译成正则表达式对象
re 库的贪婪匹配和最小匹配:
.* Re库默认采用贪婪匹配,即输出匹配最长的子串
*? 只要长度输出可能不同的,都可以通过在操作符后增加?变成最小匹配
实战:淘宝商品比价定向爬虫:
爬取网址:https://s.taobao.com/search?q=书包&js=1&stats_click=search_radio_all%25
爬取思路:
提交商品搜索请求,循环获取页面
对于每个页面,提取商品名称和价格信息
将信息输出到屏幕上
代码:
# 导入包
import requests
import re
def getHTMLText(url):
"""
请求获取html,(字符串)
:param url: 爬取网址
:return: 字符串
"""
try:
# 添加头信息,
kv = {
'cookie': 'thw=cn; v=0; t=ab66dffdedcb481f77fd563809639584; cookie2=1f14e41c704ef58f8b66ff509d0d122e; _tb_token_=5e6bed8635536; cna=fGOnFZvieDECAXWIVi96eKju; unb=1864721683; sg=%E4%B8%8B3f; _l_g_=Ug%3D%3D; skt=83871ef3b7a49a0f; cookie1=BqeGegkL%2BLUif2jpoUcc6t6Ogy0RFtJuYXR4VHB7W0A%3D; csg=3f233d33; uc3=vt3=F8dBy3%2F50cpZbAursCI%3D&id2=UondEBnuqeCnfA%3D%3D&nk2=u%2F5wdRaOPk21wDx%2F&lg2=VFC%2FuZ9ayeYq2g%3D%3D; existShop=MTU2MjUyMzkyMw%3D%3D; tracknick=%5Cu4E36%5Cu541B%5Cu4E34%5Cu4E3F%5Cu5929%5Cu4E0B; lgc=%5Cu4E36%5Cu541B%5Cu4E34%5Cu4E3F%5Cu5929%5Cu4E0B; _cc_=WqG3DMC9EA%3D%3D; dnk=%5Cu4E36%5Cu541B%5Cu4E34%5Cu4E3F%5Cu5929%5Cu4E0B; _nk_=%5Cu4E36%5Cu541B%5Cu4E34%5Cu4E3F%5Cu5929%5Cu4E0B; cookie17=UondEBnuqeCnfA%3D%3D; tg=0; enc=2GbbFv3joWCJmxVZNFLPuxUUDA7QTpES2D5NF0D6T1EIvSUqKbx15CNrsn7nR9g%2Fz8gPUYbZEI95bhHG8M9pwA%3D%3D; hng=CN%7Czh-CN%7CCNY%7C156; mt=ci=32_1; alitrackid=www.taobao.com; lastalitrackid=www.taobao.com; swfstore=97213; x=e%3D1%26p%3D*%26s%3D0%26c%3D0%26f%3D0%26g%3D0%26t%3D0%26__ll%3D-1%26_ato%3D0; uc1=cookie16=UtASsssmPlP%2Ff1IHDsDaPRu%2BPw%3D%3D&cookie21=UIHiLt3xThH8t7YQouiW&cookie15=URm48syIIVrSKA%3D%3D&existShop=false&pas=0&cookie14=UoTaGqj%2FcX1yKw%3D%3D&tag=8&lng=zh_CN; JSESSIONID=A502D8EDDCE7B58F15F170380A767027; isg=BMnJJFqj8FrUHowu4yKyNXcd2PXjvpa98f4aQWs-RbDvsunEs2bNGLfj8BYE6lWA; l=cBTDZx2mqxnxDRr0BOCanurza77OSIRYYuPzaNbMi_5dd6T114_OkmrjfF96VjWdO2LB4G2npwJ9-etkZ1QoqpJRWkvP.; whl=-1%260%260%261562528831082',
'user-agent': 'Mozilla/5.0'
}
r = requests.get(url, timeout=30, headers=kv)
# r = requests.get(url, timeout=30)
# print(r.status_code)
r.raise_for_status()
r.encoding = r.apparent_encoding
return r.text
except:
return "爬取失败"
def parsePage(glist, html):
'''
解析网页,搜索需要的信息
:param glist: 列表作为存储容器
:param html: 由getHTMLText()得到的
:return: 商品信息的列表
'''
try:
# 使用正则表达式提取信息
price_list = re.findall(r'\"view_price\"\:\"[\d\.]*\"', html)
name_list = re.findall(r'\"raw_title\"\:\".*?\"', html)
for i in range(len(price_list)):
price = eval(price_list[i].split(":")[1]) #eval()在此可以去掉""
name = eval(name_list[i].split(":")[1])
glist.append([price, name])
except:
print("解析失败")
def printGoodList(glist):
tplt = "{0:^4}\t{1:^6}\t{2:^10}"
print(tplt.format("序号", "商品价格", "商品名称"))
count = 0
for g in glist:
count = count + 1
print(tplt.format(count, g[0], g[1]))
# 根据页面url的变化寻找规律,构建爬取url
goods_name = "书包" # 搜索商品类型
start_url = "https://s.taobao.com/search?q=" + goods_name
info_list = []
page = 3 # 爬取页面数量
count = 0
for i in range(page):
count += 1
try:
url = start_url + "&s=" + str(44 * i)
html = getHTMLText(url) # 爬取url
parsePage(info_list, html) #解析HTML和爬取内容
print("\r爬取页面当前进度: {:.2f}%".format(count * 100 / page), end="") # 显示进度条
except:
continue
printGoodList(info_list)