python爬虫task2总结

xpath

1.使用lxml+xpath提取内容

1. 获取url的html
2. lxml解析html
3. 利用Xpath表达式获取数据
4. 保存爬取的内容

2.xpath常用的路径表达式

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。
(1)：nodename 选取此节点的所有子节点。
(2)：/ 从根节点选取。
(3)：// 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。
(4)：. 选取当前节点。
(5)：… 选取当前节点的父节点。
(6)：@ 选取属性。
(7)：/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

Xpath中text()，string()，data()的区别：
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。

正则表达式

1.作用

同时查找或替换一组字符串
匹配字符串的全部或部分(主要)

2.正则表达式语法

常用操作符：
（1）：. 表示任何单个字符
（2）：[ ] 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
（3）：[^ ] 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
（4）：* 前一个字符0次或无限次扩展，如abc* 表示 ab、abc、abcc、abccc等
（5）：+ 前一个字符1次或无限次扩展 ，如abc+ 表示 abc、abcc、abccc等
（6）：? 前一个字符0次或1次扩展 ，如abc? 表示 ab、abc
（7）：| 左右表达式任意一个 ，如abc|def 表示 abc、def
（8）：{m} 扩展前一个字符m次 ，如ab{2}c表示abbc
（9）：{m,n} 扩展前一个字符m至n次（含n） ，如ab{1,2}c表示abc、abbc
（10）：^ 匹配字符串开头 ，如^abc表示abc且在一个字符串的开头
（11）：$ 匹配字符串结尾 ，如abc$表示abc且在一个字符串的结尾
（12）：( ) 分组标记，内部只能使用 | 操作符 ，如(abc)表示abc，(abc|def)表示abc、def
（13）：\d 数字，等价于[0‐9]
（14）：\w 单词字符，等价于[A‐Za‐z0‐9_]

3.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

Beautiful Soup

1.BeautifulSoup类的基本元素:

Tag 标签，最基本的信息组织单元，分别用<>和</>标明开头和结尾；
Name 标签的名字
Attributes 标签的属性，字典形式组织
NavigableString 标签内非属性字符串
Comment 标签内字符串的注释部分，一种特殊的Comment类型;

2.基于bs4库的HTML内容遍历方法

标签树的下行遍历：
.contents 子节点的列表，将所有儿子节点存入列表
.children 子节点的迭代类型，与.contents类似，用于循环遍历儿子节点
.descendants 子孙节点的迭代类型，包含所有子孙节点，用于循环遍历
标签树的上行遍历：
.parent 节点的父亲标签
.parents 节点先辈标签的迭代类型，用于循环遍历先辈节点
标签树的平行遍历：
.next_sibling 返回按照HTML文本顺序的下一个平行节点标签
.previous_sibling 返回按照HTML文本顺序的上一个平行节点标签
.next_siblings 迭代类型，返回按照HTML文本顺序的后续所有平行节点标签
.previous_siblings 迭代类型，返回按照HTML文本顺序的前续所有平行节点标签

3.基于bs4库的HTML内容的查找方法

<>.find_all(name, attrs, recursive, string, **kwargs)
<>.find() 搜索且只返回一个结果，同.find_all()参数
<>.find_parents() 在先辈节点中搜索，返回列表类型，同.find_all()参数
<>.find_parent() 在先辈节点中返回一个结果，同.find()参数
<>.find_next_siblings() 在后续平行节点中搜索，返回列表类型，同.find_all()参数
<>.find_next_sibling() 在后续平行节点中返回一个结果，同.find()参数
<>.find_previous_siblings() 在前序平行节点中搜索，返回列表类型，同.find_all()参数
<>.find_previous_sibling() 在前序平行节点中返回一个结果，同.find()参数
参数：
∙ name : 对标签名称的检索字符串
∙ attrs: 对标签属性值的检索字符串，可标注属性检索
∙ recursive: 是否对子孙全部检索，默认True
∙ string: <>…</>中字符串区域的检索字符串