python爬虫笔记

python爬虫

content 返回二进制形式的图片数据
正则 导入模块 re
ex=正则表达式
方法： re.findall(ex,内容,re.S)
re.S 单行匹配
re.M 多行匹配
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，并且将页面源码数据加载到该对象中
- 2.通过调用BeautifulSoup对象中相关的属性或者方法进行标签定位和数据提取
- 环境安装:
- pip install bs4
- pip install lxml
- 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
fp = open( ‘./test.html’ ,‘r’,encoding=‘utf-8’)
soup = BeautifulSoup(fp, ‘lxml’)
-2.将互联网上获取的页面源码加载到该对象中
page_text = response.text
soup =BeatifulSoup( page_text, 'lxml ')
-提供的用于数据解析的方法和属性:
- soup.tagName:返回的是文档中第一次出现的tagName对应的标签
- -soup.find():
- find( ‘tagName’ ):等同于soup.div
- 属性定位:
- soup.find( ‘div’ ,class_/ id/attr= 'song ')
- soup.find_all( 'tagName '):返回符合要求的所有标签（列表)
- select:
- 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:
- soup.select( ‘.tang(属性) > ul > li > a’):>表示的是一个层级
- soup.select( ‘.tang > ul a’):空格表示的多个层级
- 获取标签之间的文本数据:
- soup.a.text/ string / get_text()
- text / get_text() : 可以获取某一个标签中的文本内容
- string: 只可以获取该标签下面直系的文本内容
- 获取标签中的属性值：
- soup.a[‘href’]