虽然今天很累,但是其实也没有学很多东西,还是来整理一下,以免忘记,之后会自己去爬一些网站数据…
今天主要学了bs4和xpath,分为这两个部分来整理笔记:
1.bs4解析
- 为什么需要在爬虫中使用数据解析
- 就是为了可以实现聚焦爬虫
- 数据解析的通用原理(解析的数据指挥存在于标签之间或者属性中)
- html是用来展示数据
- 原理流程:
- 标签定位
- 数据的提取
- bs4数据解析的解析原理/流程
- 实例化一个BeautifulSoup的对象,且将等待被解析的数据加载到该对象中
- 方式1:
- BeautifulSoup(fp,‘lxml’) #解析本地存储的html文件
- 方式2:
- BeautifulSoup(page_text,‘lxml’) #解析互联网上请求到的页面数据
- 方式1:
- 调用BeautifulSoup对象中的相关方法和属性进行标签定位和数据的提取
- 标签定位
- soup.tagName:返回第一次出现的tagName标签
- 属性定位:soup.find(‘tagName’,attrName=‘value’)
- findALL和find的用法一样,但是返回值不同
- 选择器定位:select(‘selector’)
- 数据的提取
- 提取标签中存在的数据
- .string:取出标签直系的文本内容
- .text:取出标签中所有的文本内容
- 提取标签属性中存储的数据
- tagName[‘attrName’]
- 提取标签中存在的数据
- 标签定位
- 实例化一个BeautifulSoup的对象,且将等待被解析的数据加载到该对象中
- 环境的安装:
- pip install bs4
- pip install lxml
直接用一个例子来看,使用bs4爬取某网站上面三国演义的内容,需要添加headers
### 使用bs4解析三国演义的内容
import requests
url = 'http://shicimingju.com/book/sanguoyanyi.html'
page_text = requests.get(url,headers=headers).text #首页的页面源码数据
fp = open('./sanguo.txt','w',encoding='utf-8')
#数据解析(章节标题,详情页的url)
soup = BeautifulSoup(page_text,'lxml')
#定位到了所有标题对应的a标签
a_list = soup.select('.book-mulu > ul > li >a') # >表示一个层级
for a in a_list:
title = a.string
detail_url = 'http://shicimingju.com'+a['href']
#解析提取章节内容
page_text_detail = requests.get(url=detail_url,headers=headers).text
#解析详情页中的章节内容
soup = BeautifulSoup(page_text_detail,'lxml')
content = soup.find('div',class_='chapter_content').text
#写入文件
fp.write(title+':'+content+'\n')
print(title,'下载成功')
2.xpath解析
- html标签结构
- 是一个树状的结构
- xpath解析原理
- 实例化一个etree对象,且将被解析的数据加载到该对象中
- 解析本地存储的html文档:
- etree.parse(‘fileName’)
- 解析网上爬取的html数据:
- etree.parse(page_text)
- 解析本地存储的html文档:
- 使用etree对象中的xpath方法结合不同的xpath表达式实现标签定位和数据提取
- 标签定位
- 最左侧的/:必须要从根标签开始逐层的定位目标标签
- 非最左侧的/:表示一个层级
- 非最左侧的//:表示多个层级
- 最左侧的//:可以从任意位置定义目标标签
- 属性定位://tagName[@attrName=‘value’]
- 索引定位://tagName[index],index索引从1开始
- 模糊匹配
- //div[contains(@class,“ng”)] :定位到class属性中包含ng的div标签
- //div[starts-with[@class,“ta”]] :定位到clss属性值中是以ta开头的div标签
- 数据提取
- 取标签中的数据
- /text():直系文本内容
- //text():所有的文本内容
- 取属性中的数据
- tagName/@attrName
- 取标签中的数据
- 标签定位
- 实例化一个etree对象,且将被解析的数据加载到该对象中
下面介绍爬取图片数据和图片名称并将其保存到本地的例子,需要添加headers
import requests
import os
dirName = 'img'
# if os.path.exists(dirName):
# os.mkdir(dirName)
url = 'http://pic.netbian.com/4kdongman/index_%d.html'
for page in range(1,6):
if page == 1:
new_url = 'http://pic.netbian.com/4kdongman/'
else:
new_url = format(url%page) #表示非第一页的url
response = requests.get(new_url,headers=headers)
response.encoding='gbk'
page_text = response.text
# page_text = requests.get(new_url,headers=headers).text
#数据解析:图片地址和图片名称
tree = etree.HTML(page_text)
#定位到了所有的li标签
li_list = tree.xpath('//div[@class="slist"]/ul/li')
for li in li_list:
img_src = 'http://pic.netbian.com'+li.xpath('./a/img/@src')[0] #局部的数据解析,./表示的就是xpath调用者对应的标签
img_name = li.xpath('./a/img/@alt')[0]+'.jpg'
# print(img_src,img_name)
img_data = requests.get(img_src,headers=headers).content
filePath = dirName+'/'+img_name
with open(filePath,'wb') as fp:
fp.write(img_data)
print(img_name,'下载成功')
今天就先写这么多了…还没学tableau,/(ㄒoㄒ)/~~,要加油呀