爬虫Day3 csv和bs4

爬虫Day3 csv和bs4

一、CSV的读和写

1. 什么是csv文件

csv文件叫做：逗号分隔值文件，像Excel文件一样以行列的形式保存数据，保存数据的时候同一行的多列数据用逗号隔开。

2. csv文件的读写操作

1) csv文件读操作

from csv import reader, DictReader

a.reader

创建根据文件对象创建对应的reader，获取文件内容

with open('files/电影.csv', encoding='utf-8', newline='') as f:
    r1 = reader(f)
    print(next(r1))
    print(list(r1))

b.DictReader

with open('files/电影.csv', encoding='utf-8', newline='') as f:
    r2 = DictReader(f)
    print(next(r2))
    for x in r2:
        print(x)

2)csv文件写操作

from csv import writer, DictWriter

a. writer

with open('files/student1.csv', 'w', encoding='utf-8', newline='') as f:
    # 1.根据文件对象创建writer对象
    w1 = writer(f)

    # 2.写入数据
    # 1)一次写一行
    w1.writerow(['姓名', '性别', '年龄'])
    w1.writerow(['小明', '男', 22])
    # 2)一次写多行
    w1.writerows([
        ('小花', '女', 18),
        ['张三', '男', 30]
    ])

b. DictWriter

with open('files/student2.csv', 'w', encoding='utf-8', newline='') as f:
    # 1.根据文件对象创建writer对象
    w2 = DictWriter(f, ['姓名', '性别', '年龄'])

    # 2.写入数据
    # 1)将字典的键作为第一行写入文件
    w2.writeheader()
    w2.writerow({'姓名': '小明', '性别': '男', '年龄': 22})
    w2.writerows([
        {'姓名': '小花', '性别': '女', '年龄': 17},
        {'姓名': '小红', '性别': '女', '年龄': 18},
        {'姓名': '张三', '性别': '男', '年龄': 30}
    ])

二、bs4

bs4(beautifulsoup4)，它基于css选择器的网页解析器

css语法：

选择器{属性名1: 属性值2; 属性名2: 属性值2; …}

常见属性：color(设置字体颜色)、 background-color(背景颜色)、font-size(字体大小)、width(宽度)、height(高度)、border(边框)

选择器：

1. 元素选择器(标签选择器) - 将标签作为选择器，选中所有指定的标签

   a{} - 选中所有的a标签
   p{} - 选中所有的p标签
   span{} - 选中所有的span标签

2. id选择器 - 在标签的id属性前加#作为一个选择器，选中id属性值为指定值的标签
   注意：一个网页中id属性值是唯一的

   #a{} - 选中id属性值为a的标签
   #b1{} - 选中id属性值为b1的标签

3. class选择器 - 在标签的class属性前加.作为一个选择器，选中所有class属性值为指定值的标签
   注意：一个网页中多个标签的class属性值可以相同；同一个标签可以有多个不同的class
   只有一个class属性值标签的写法：<标签名 class=“c1”>
   有多个class属性值标签的写法：<标签名 class=“c1 c2 c3”>

   .a{} - 选中class属性值为a标签
   .c1{} - 选中class属性值为c1的标签
   .a.b{} - 选中class属性值同时为a和b标签
   a.c1{} - 选中所有class值为c1的a标签

4. 子代选择器 - 将两个选择器用>连接成一个选择器（前后形成父子关系）

div>a{} - 选中所有在div标签中的a标签（a标签必须是div的子标签）

5. 后代选择器 - 将两个选择器用空格连接成一个选择器(前后形成后代关系）

div a{} - 选中所有在div标签中的a标签（a标签必须是div的后代标签）

注意：安装的时候装beautifulsoup4，使用的时候用bs4

from bs4 import BeautifulSoup

1.根据网页源代码创建soup对象

BeautifulSoup(网页源代码, ‘lxml’)

f = open('files/data.html', encoding='utf-8')
soup = BeautifulSoup(f.read(), 'lxml')
f.close()

2. 获取标签

soup对象.select(css选择器) - 获取整个网页中选择器选中的所有标签，返回值是一个列表，列表中的元素是标签对象（找不到返回空列表）
soup对象.select_one(css选择器) - 获取整个网页中选择器选中的第一个标签，返回值是标签对象(找不到返回None)
标签对象.select(css选择器) - 获取指定标签中css选择器选中的所有标签
标签对象.select_one(css选择器) - 获取指定标签中css选择器选中的第一个标签

result = soup.select('p')
print(result)

# result = soup.select('.c1')
# print(result)
#
# result = soup.select_one('p')
# print(result)
#
# result = soup.select('div p')
# print(result)

box1 = soup.select_one('#box1')
result = box1.select('p')
print(result)

p1 = soup.select_one('span>p')
a1 = box1.select_one('a')

3. 获取标签内容和标签属性

标签对象.text - 获取标签内容
标签对象.attrs[属性名] - 获取标签指定属性的值

print(p1.text)      # '我是段落5'
print(a1.text)      # '我是超链接3'
print(a1.attrs['href'])     # 'https://www.baidu.com'

应用

import requests
from bs4 import BeautifulSoup

# 1. 获取网页源代码
headers = {
    'user-agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_15_7) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/102.0.0.0 Safari/537.36'
}
response = requests.get('https://movie.douban.com/top250', headers=headers)
html = response.text

# 2. 解析数据
soup = BeautifulSoup(html, 'lxml')

# 获取每个电影对应的div
div_list = soup.select('.grid_view>li>div')
for x in div_list:
    name = x.select_one('.title').text
    score = x.select_one('.rating_num').text
    comment = x.select('.star>span')[-1].text[:-3]
    print(name, score, comment)