Python爬虫的解析（学习于b站尚硅谷）

已于 2024-01-04 18:52:52 修改
阅读量2.5k 收藏 17
点赞数
分类专栏： Python爬虫（学习于b站尚硅谷） 文章标签： python 爬虫 html json
于 2023-08-07 09:23:17 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/m0_60146935/article/details/132137743
版权

目录


  说明：该文章是学习 尚硅谷在B站上分享的视频 Python爬虫教程小白零基础速通的 p51-104而记录的笔记，笔记来源于本人，关于python基础可以去CSDN上阅读本人学习黑马程序员的笔记。 若有侵权，请联系本人删除。笔记难免可能出现错误或笔误，若读者发现笔记有错误，欢迎在评论里批评指正。另外，本人完善了部分小内容，比如bs4爬取星巴克数据部分，本人把爬取图片的代码补充完整了。 请合法合理使用爬虫，不爬取任何涉密以及涉及隐私的内容，合理控制请求次数，爬取的内容未经授权请不要用于商用，保护自己，免受牢狱之灾。
在这里插入图片描述
在这里插入图片描述

  之前在urlib的学习中，我们能将网页的网页源码爬取下来。但是我们我们仅仅需要其中的部分数据，此时就需要引入新的概念——解析。目前使用最多的解析方法包括xpath、JsonPath、BeautifulSoup等。

一、xpath

  1.xpath插件的安装

  使用xpath之前，需要安装xpath插件。在使用该插件时，会弹出一个小黑框，在里面写xpath的路径，并判断xpath路径是否正确。本次以Edge浏览器为例进行介绍，如下几张图所示(由于原始的xpath的快捷键与Edge冲突，故本次使用的插件是经过修改的，来源于在Edge中使用Xpath——更改快捷键，请到对应链接里去下载xpath插件)。
在这里插入图片描述
在这里插入图片描述在这里插入图片描述在这里插入图片描述
  注意，安装完xpath插件后，需重新打开浏览器，进而进行使用。如下图，重新打开浏览器，随便点击一个网页，然后使用快捷键Ctr+Alt+X即可弹出一个小黑框，说明xpath安装成功。另外，关闭xpath也是使用快捷键Ctr+Alt+X。
在这里插入图片描述

  2. xpath的基本使用

  （1）xpath的使用方法与基本语法（路径查询、谓词查询、内容查询（使用text查看标签内容）、属性查询、模糊查询、逻辑运算）

  xpath是用于获取网页源码部分数据的一种方式，它的使用方法如图所示，具体使用参考代码的演示。
在这里插入图片描述在这里插入图片描述在这里插入图片描述在这里插入图片描述在这里插入图片描述在这里插入图片描述在这里插入图片描述在这里插入图片描述在这里插入图片描述在这里插入图片描述在这里插入图片描述在这里插入图片描述

  （2）安装lxml库

  使用xpath还需要到当前的项目文件里安装lxml库，具体方法如图所示（安装命令为“pip install lxml -i https://pypi.mirrors.ustc.edu.cn/simple/”）。
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述在这里插入图片描述在这里插入图片描述在这里插入图片描述
  安装完成后，如下图所示，相应位置可看到对应的版本。
在这里插入图片描述

  （3）代码的演示

  如下图所示，创建两个文件夹，名为“爬虫的urlib”和“爬虫的解析”，然后按住Ctr不放，选中之前的文件，并利用快捷键Ctr+X与Ctr+V将它们移到文件夹“爬虫的urlib”中。
在这里插入图片描述
  如下图，在文件夹“爬虫的解析”中创建文件“070_xpath的基本使用.py”。
在这里插入图片描述
  由于本次需要演示xpath解析本地文件以及服务器响应的数据（其实本节没有涉及解析服务器响应的数据，是下一节的内容，不过序号都写上并且截图了，懒得改了），故如下图，创建一个名为“070_xpath的基本使用”的html文件。
在这里插入图片描述
在这里插入图片描述
  在名为“070_xpath的基本使用”的html文件中输入如下代码，假设本次需要获“北京、上海、深圳、武汉”这几个城市。注意：xpath解析严格遵守html规范，meta也需要成对出现，故需要加上“/”表示结束。

<!DOCTYPE html>
<html lang="en">
<head>
    <meta charset="UTF-8"/>
    <title>Title</title>
</head>
<body>
    <ul>
        <li>北京</li>
        <li>上海</li>
        <li>深圳</li>
        <li>武汉</li>
    </ul>

    <ul>
        <li>大连</li>
        <li>锦州</li>
        <li>沈阳</li>
    </ul>
</body>
</html>

在这里插入图片描述
  编辑代码并运行，学习路径查询的语法。

from lxml import etree

# xpath解析有两种解析文件
# （1）本地文件          即html文件和py文件在同一目录下，或者html文件在电脑上
# （2）服务器响应的数据   即解析response.read().decode(‘UTF-8’)所得到的数据

# 1.xpath解析本地文件      etree.parse('xx.html')
tree = etree.parse('070_xpath的基本使用.html')
# 1.1 路径查询   tree.xpath('xpath路径')
li_list = tree.xpath('//body//ul/li') # //body//ul/li:body的子孙中的ul的儿子li
print(li_list)
print(len(li_list))

在这里插入图片描述
  如下图，在html文件中给两个城市各加一个id。
在这里插入图片描述

<!DOCTYPE html>
<html lang="en">
<head>
    <meta charset="UTF-8"/>
    <title>Title</title>
</head>
<body>
    <ul>
        <li id="l1">北京</li>
        <li id="l2">上海</li>
        <li>深圳</li>
        <li>武汉</li>
    </ul>

    <ul>
        <li>大连</li>
        <li>锦州</li>
        <li>沈阳</li>
    </ul>
</body>
</html>

  编辑代码并运行，学习谓词查询的语法。

"""
xpath的基本使用的演示
- 演示xpath解析本地文件以及服务器响应的数据

"""
from lxml import etree

# xpath解析有两种解析文件
# （1）本地文件          即html文件和py文件在同一目录下，或者html文件在电脑上
# （2）服务器响应的数据   即解析response.read().decode(‘UTF-8’)所得到的数据

# 1.xpath解析本地文件      etree.parse('xx.html')
tree = etree.parse('070_xpath的基本使用.html')
# # 1.1 路径查询   tree.xpath('xpath路径')
# li_list = tree.xpath('//body//ul/li') # //body//ul/li:body的子孙中的ul的儿子li

# 1.2 谓词查询  查找所有有id属性的li标签
li_list = tree.xpath('//ul/li[@id]')
print(li_list)
print(len(li_list))

在这里插入图片描述
  如果需要查看标签的内容，可加上“/text()”。
在这里插入图片描述
  为了找到id为“l1”的li标签，继续使用谓词查询。

"""
xpath的基本使用的演示
- 演示xpath解析本地文件以及服务器响应的数据

"""
from lxml import etree

# xpath解析有两种解析文件
# （1）本地文件          即html文件和py文件在同一目录下，或者html文件在电脑上
# （2）服务器响应的数据   即解析response.read().decode(‘UTF-8’)所得到的数据

# 1.xpath解析本地文件      etree.parse('xx.html')
tree = etree.parse('070_xpath的基本使用.html')
# # 1.1 路径查询   tree.xpath('xpath路径')
# li_list = tree.xpath('//body//ul/li') # //body//ul/li:body的子孙中的ul的儿子li

# 1.2 谓词查询
# # 查找所有有id属性的li标签
# li_list = tree.xpath('//ul/li[@id]/text()')  # “/text()”:获取标签中的内容。
# 找到id为“l1”的li标签
li_list = tree.xpath('//ul/li[@id="l1"]/text()')
print(li_list)
print(len(li_list))

在这里插入图片描述
  在html文件里添加一个li的class的属性值。
在这里插入图片描述

<!DOCTYPE html>
<html lang="en">
<head>
    <meta charset="UTF-8"/>
    <title>Title</title>
</head>
<body>
    <ul>
        <li id="l1" class="c1">北京</li>
        <li id="l2">上海</li>
        <li>深圳</li>
        <li>武汉</li>
    </ul>

    <ul>
        <li>大连</li>
        <li>锦州</li>
        <li>沈阳</li>
    </ul>
</body>
</html>

  然后进行编程，使用属性查询，查找到id为“l1”的li标签的class的属性值。

"""
xpath的基本使用的演示
- 演示xpath解析本地文件以及服务器响应的数据

"""
from lxml import etree

# xpath解析有两种解析文件
# （1）本地文件          即html文件和py文件在同一目录下，或者html文件在电脑上
# （2）服务器响应的数据   即解析response.read().decode(‘UTF-8’)所得到的数据

# 1.xpath解析本地文件      etree.parse('xx.html')
tree = etree.parse('070_xpath的基本使用.html')
# # 1.1 路径查询   tree.xpath('xpath路径')
# li_list = tree.xpath('//body//ul/li') # //body//ul/li:body的子孙中的ul的儿子li

# 1.2 谓词查询
# # 查找所有有id属性的li标签
# li_list = tree.xpath('//ul/li[@id]/text()')  # “/text()”:获取标签中的内容。
# 找到id为“l1”的li标签    注意引号的问题
# li_list = tree.xpath('//ul/li[@id="l1"]/text()')

# 1.3 属性查询  查找到id为“l1”的li标签的class的属性值
li = tree.xpath('//ul/li[@id="l1"]/@class')
print(li)
print(len(li))

在这里插入图片描述
  如下图，在html文件中给其他一些城市加一些id属性。
在这里插入图片描述

<!DOCTYPE html>
<html lang="en">
<head>
    <meta charset="UTF-8"/>
    <title>Title</title>
</head>
<body>
    <ul>
        <li id="l1" class="c1">北京</li>
        <li id="l2">上海</li>
        <li id="c3">深圳</li>
        <li id="c4">武汉</li>
    </ul>

    <ul>
        <li>大连</li>
        <li>锦州</li>
        <li>沈阳</li>
    </ul>
</body>
</html>

  然后使用模糊查询查找id中包含“l”的li标签。

"""
xpath的基本使用的演示
- 演示xpath解析本地文件以及服务器响应的数据
"""
from lxml import etree

# xpath解析有两种解析文件
# （1）本地文件          即html文件和py文件在同一目录下，或者html文件在电脑上
# （2）服务器响应的数据   即解析response.read().decode(‘UTF-8’)所得到的数据

# 1.xpath解析本地文件      etree.parse('xx.html')
tree = etree.parse('070_xpath的基本使用.html')
# # 1.1 路径查询   tree.xpath('xpath路径')
# li_list = tree.xpath('//body//ul/li') # //body//ul/li:body的子孙中的ul的儿子li

# 1.2 谓词查询(含内容查询)
# # 查找所有有id属性的li标签
# li_list = tree.xpath('//ul/li[@id]/text()')  # “/text()”:获取标签中的内容。
# 找到id为“l1”的li标签    注意引号的问题
# li_list = tree.xpath('//ul/li[@id="l1"]/text()')

# 1.3 属性查询  查找到id为“l1”的li标签的class的属性值
# li = tree.xpath('//ul/li[@id="l1"]/@class')

# 1.4 模糊查询  查询id中包含“l”的li标签
li_list = tree.xpath('//ul/li[contains(@id,"l")]/text()')
print(li_list)
print(len(li_list))

在这里插入图片描述
  然后再使用模糊查询查找id的属性值以“c”为开头的li标签。

"""
from lxml import etree

# xpath解析有两种解析文件
# （1）本地文件          即html文件和py文件在同一目录下，或者html文件在电脑上
# （2）服务器响应的数据   即解析response.read().decode(‘UTF-8’)所得到的数据

# 1.xpath解析本地文件      etree.parse('xx.html')
tree = etree.parse('070_xpath的基本使用.html')
# # 1.1 路径查询   tree.xpath('xpath路径')
# li_list = tree.xpath('//body//ul/li') # //body//ul/li:body的子孙中的ul的儿子li

# 1.2 谓词查询(含内容查询)
# # 查找所有有id属性的li标签
# li_list = tree.xpath('//ul/li[@id]/text()')  # “/text()”:获取标签中的内容。
# 找到id为“l1”的li标签    注意引号的问题
# li_list = tree.xpath('//ul/li[@id="l1"]/text()')

# 1.3 属性查询  查找到id为“l1”的li标签的class的属性值
# li = tree.xpath('//ul/li[@id="l1"]/@class')

# 1.4 模糊查询
# 查询id中包含“l”的li标签
# li_list = tree.xpath('//ul/li[contains(@id,"l")]/text()')
# 查找id的属性值以“c”为开头的li标签
li_list = tree.xpath('//ul/li[starts-with(@id,"c")]/text()')
print(li_list)
print(len(li_list))

在这里插入图片描述
  如下进行编程，学会使用逻辑查询的语法。

"""
xpath的基本使用的演示
- 演示xpath解析本地文件以及服务器响应的数据
"""
from lxml import etree

# xpath解析有两种解析文件
# （1）本地文件          即html文件和py文件在同一目录下，或者html文件在电脑上
# （2）服务器响应的数据   即解析response.read().decode(‘UTF-8’)所得到的数据

# 1.xpath解析本地文件      etree.parse('xx.html')
tree = etree.parse('070_xpath的基本使用.html')
# # 1.1 路径查询   tree.xpath('xpath路径')
# li_list = tree.xpath('//body//ul/li') # //body//ul/li:body的子孙中的ul的儿子li

# 1.2 谓词查询(含内容查询)
# # 查找所有有id属性的li标签
# li_list = tree.xpath('//ul/li[@id]/text()')  # “/text()”:获取标签中的内容。
# 找到id为“l1”的li标签    注意引号的问题
# li_list = tree.xpath('//ul/li[@id="l1"]/text()')

# 1.3 属性查询  查找到id为“l1”的li标签的class的属性值
# li = tree.xpath('//ul/li[@id="l1"]/@class')

# 1.4 模糊查询
# 查询id中包含“l”的li标签
# li_list = tree.xpath('//ul/li[contains(@id,"l")]/text()')
# 查找id的属性值以“c”为开头的li标签
# li_list = tree.xpath('//ul/li[starts-with(@id,"c")]/text()')

# 1.5 逻辑运算
# 和运算   查询id为”l1“且class为”c1“的数据
li_list = tree.xpath('//ul/li[@id="l1" and @class="c1"]/text()')
print(li_list)
print(len(li_list))
# 或运算   查询id为”l1“或class为”c1“的数据,支持标签的或运算，不支持属性里面的或运算
li_list = tree.xpath('//ul/li[@id="l1"]/text() | //ul/li[@id="l2"]/text()')
print(li_list)
print(len(li_list))

在这里插入图片描述

  3.获取百度网站的百度一下

  如下图所示，本次将演示获取百度网站的“百度一下”四个字，主要包括三个步骤。
在这里插入图片描述

# 1.获取网页源码
# 2.解析      解析服务器响应的文件  etree.HTML
# 3.打印

  首先，创建文件“071_获取百度网站的百度一下.py”。
在这里插入图片描述
  先编写获取网页源码的代码，使用搜索快捷键Crt+F找到我们需要获取的“百度一下”。

"""
获取百度网站的百度一下的演示
"""
import urllib.request

# 1.获取网页源码
url = 'https://www.baidu.com/'
# 请求头
headers = {
    'User-Agent': 'ozilla/4.0 (compatible; MSIE 7.0; Windows NT 5.1; Trident/4.0; Hot Lingo 2.0)'
}
# 请求对象定制
request = urllib.request.Request(url=url, headers=headers)
# 模拟浏览器访问服务器
response = urllib.request.urlopen(request)
# 获取网页源码
content = response.read().decode('UTF-8')
print(content)

# 2.解析      解析服务器响应的文件  etree.HTML

# 3.打印

在这里插入图片描述
  当代码编写到如图所示的位置时，需填写“百度一下”在网页源码中的路径。
在这里插入图片描述
  本次需要用到之前安装的xpath插件。在使用该插件时，会弹出一个小黑框，在里面写xpath路径，并判断xpath路径是否正确。
  如下图，打开检查，使用快捷键Ctr+Alt+X打开插件xpath。
在这里插入图片描述
  如下图，先定位到“百度一下”对应的位置。另外，由于id是唯一的，本次利用这个特性在插件xpath中填写相应路径，然后就会显示出我们需要的“百度一下”。
在这里插入图片描述在这里插入图片描述
  或者如下图所示，也能获取对应的xpath路径。
在这里插入图片描述
  获取到xpath路径后，继续编写代码并运行。

"""
获取百度网站的百度一下的演示
"""
import urllib.request
from lxml import etree

# 1.获取网页源码
url = 'https://www.baidu.com/'
# 请求头
headers = {
    'User-Agent': 'ozilla/4.0 (compatible; MSIE 7.0; Windows NT 5.1; Trident/4.0; Hot Lingo 2.0)'
}
# 请求对象定制
request = urllib.request.Request(url=url, headers=headers)
# 模拟浏览器访问服务器
response = urllib.request.urlopen(request)
# 获取网页源码
content = response.read().decode('UTF-8')
# print(content)  # 测试代码

# 2.解析网页源码，获取想要的数据
# 解析服务器响应的文件  etree.HTML
tree = etree.HTML(content)
# 获取想要的数据
result = tree.xpath('//input[@id="su"]/@value')

# 3.打印
# xpath的返回值是一个列表类型的数据
print(result[0])

在这里插入图片描述

  4.站长素材（含懒加载、如何下载其中的高清图）

  本次将通过xpath解析来获取“站长素材”的网站（“https://sc.chinaz.com/”）的高清图片里的前10页的风景图片。
在这里插入图片描述
  首先，创建文件“072_站长素材.py”。
在这里插入图片描述
  如下图所示，打开检查的网络。然后刷新一下，找到图片第一页对应的请求链接，在新的网页中打开验证一下。之后将该链接复制到PyCharm中。同理，将第2页、第3页的链接复制到PyCharm中，并观察这几个请求地址的区别。
在这里插入图片描述
在这里插入图片描述在这里插入图片描述在这里插入图片描述在这里插入图片描述
  接着去编程，其中有一步代码需要参考下图进行理解。然后需要使用xpath插件去寻找图片地址与文件名字。
在这里插入图片描述
  如下图，使用快捷键Ctr+Alt+X打开xpath，然后寻找到图片的路径，将路径复制到PyCharm中。
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
  同理，可获取图片名。
在这里插入图片描述
  代码编写到此，可以验证有没有成功获取到对应路径。另外，如果想要下载高清图可以删掉地址里的“_s”。

"""
需求：下载前十页图片
"""

# 第一页
# https://sc.chinaz.com/tupian/fengjing.html
# 第二页
# https://sc.chinaz.com/tupian/fengjing_2.html
# 第三页
# https://sc.chinaz.com/tupian/fengjing_3.html

import urllib.request
from lxml import etree


def create_request(page: int):
    """
    请求对象定制
    :param page:页码
    :return:请求对象定制的结果
    """
    # 访问地址
    if page == 1:
        url = 'https://sc.chinaz.com/tupian/fengjing.html'
    else:
        url = f"https://sc.chinaz.com/tupian/fengjing_{page}.html"
    # 请求头
    headers = {
        'User-Agent': 'ozilla/4.0 (compatible; MSIE 7.0; Windows NT 5.1; Trident/4.0; Hot Lingo 2.0)'
    }
    return urllib.request.Request(url=url, headers=headers)


def get_content(request):
    """
    获取网页源码
    :param request: 请求对象定制的结果
    :return: 获取的网页源码
    """
    response = urllib.request.urlopen(request)
    content = response.read().decode('UTF-8')
    return content


def down_load(content):
    """
    下载图片
    :param content:
    :return:
    """
    # urllib.request.urlretrieve('图片地址','文件名字')
    # print(content)  # 测试代码，用于验证获取到的网页源码有无使用xpath插件获取到的路径
    tree = etree.HTML(content)
    src_list = tree.xpath('/html/body/div[3]/div[2]/div/img/@data-original')  # 获取图片地址
    name_list = tree.xpath('/html/body/div[3]/div[2]/div/img/@alt')  # 获取图片名

    # 一般图片图片的网站可能会进行懒加载   下面打印的值可能为   0 40          解决办法：填写最初的元素对应的路径，不要填写加载后的路径
    # print(len(src_list), len(name_list))  # 本人使用1页打印为  40 40      不存在这个问题

    for i in range(len(name_list)):
        name = name_list[i]
        src = src_list[i]
        # print(name, src)  # 测试代码，用于验证图片的名字与地址是否获取正确

        # 注意，src少了“https:”，需加上
        url = 'https:' + src
        print(name, url)  # 测试代码，用于验证图片的名字与地址是否获取正确

        # urllib.request.urlretrieve(url=url, filename=name + '.jpg')

if __name__ == '__main__':
    start_page = int(input('请输入起始页码'))
    end_page = int(input("请输入结束页码"))

    for page in range(start_page, end_page + 1):
        # (1)请求对象定制
        request = create_request(page)
        # (2)获取网页源码
        content = get_content(request)
        # (3)下载
        down_load(content)

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
  为了将下载的图片放到一个文件夹中，如下图所示，创建一个名为“风景图片”的文件夹。
在这里插入图片描述
  如下进行编程，即可获取前10页图片。

"""
需求：下载前十页图片
"""

# 第一页
# https://sc.chinaz.com/tupian/fengjing.html
# 第二页
# https://sc.chinaz.com/tupian/fengjing_2.html
# 第三页
# https://sc.chinaz.com/tupian/fengjing_3.html

import urllib.request
from lxml import etree


def create_request(page: int):
    """
    请求对象定制
    :param page:页码
    :return:请求对象定制的结果
    """
    # 访问地址
    if page == 1:
        url = 'https://sc.chinaz.com/tupian/fengjing.html'
    else:
        url = f"https://sc.chinaz.com/tupian/fengjing_{page}.html"
    # 请求头
    headers = {
        'User-Agent': 'ozilla/4.0 (compatible; MSIE 7.0; Windows NT 5.1; Trident/4.0; Hot Lingo 2.0)'
    }
    return urllib.request.Request(url=url, headers=headers)


def get_content(request):
    """
    获取网页源码
    :param request: 请求对象定制的结果
    :return: 获取的网页源码
    """
    response = urllib.request.urlopen(request)
    content = response.read().decode('UTF-8')
    return content


def down_load(content):
    """
    下载图片
    :param content:
    :return:
    """
    # urllib.request.urlretrieve('图片地址','文件名字')
    # print(content)  # 测试代码，用于验证获取到的网页源码有无使用xpath插件获取到的路径
    tree = etree.HTML(content)
    src_list = tree.xpath('/html/body/div[3]/div[2]/div/img/@data-original')  # 获取图片地址
    name_list = tree.xpath('/html/body/div[3]/div[2]/div/img/@alt')  # 获取图片名

    # 一般图片图片的网站可能会进行懒加载   下面打印的值可能为   0 40          解决办法：填写最初的元素对应的路径，不要填写加载后的路径
    # print(len(src_list), len(name_list))  # 本人使用1页打印为  40 40      不存在这个问题

    for i in range(len(name_list)):
        name = name_list[i]
        src = src_list[i]
        # print(name, src)  # 测试代码，用于验证图片的名字与地址是否获取正确

        # 注意，src少了“https:”，需加上
        url = 'https:' + src
        # print(name, url)  # 测试代码，用于验证图片的名字与地址是否获取正确

        urllib.request.urlretrieve(url=url, filename='./风景图片/' + name + '.jpg')


if __name__ == '__main__':
    start_page = int(input('请输入起始页码'))
    end_page = int(input("请输入结束页码"))

    for page in range(start_page, end_page + 1):
        # (1)请求对象定制
        request = create_request(page)
        # (2)获取网页源码
        content = get_content(request)
        # (3)下载
        down_load(content)

在这里插入图片描述

二、JsonPath

  1.JsonPath的基本介绍

  （1）引

  JsonPath用于解析网页源码的返回值为Json数据的网站。比如打开“淘票票”（网址为“https://dianying.taobao.com/”），按F12打开检查，点到网络。然后点击“淘票票”中的城市，会得到一个网络包，发现它是一个Json数据。下一小节将爬取该数据包存储的淘票票支持的城市。
在这里插入图片描述

  （2）jsonpath的安装及使用方式

在这里插入图片描述
  下图来源于链接JSONPath-简单入门，里面介绍了xpath和JsonPath路径在语法上的区别。
在这里插入图片描述
  Jsonpath的安装方法如下几张图所示，首先找到python安装路径里的文件夹Scripts，里面专门用于存放python包。然后打开命令提示符，将命令行控制到文件夹Scripts中，并输入命令“pip install jsonpath”。
在这里插入图片描述
在这里插入图片描述在这里插入图片描述

  （3）代码演示

  首先，创建文件“073_jsonpath.json”，输入以下内容。

{
  "store": {
    "book": [
      {
        "category": "修真",
        "author": "六道",
        "title": "环蛋是怎样练成的",
        "price": 8.95
      },
      {
        "category": "修真",
        "author": "天蚕土豆",
        "title": "斗破苍穹",
        "price": 12.99
      },
      {
        "category": "修真",
        "author": "唐家三少",
        "title": "斗罗大陆",
        "isbn": "0-553-21311-3",
        "price": 8.99
      },
      {
        "category": "修真",
        "author": "南派三叔",
        "title": "星辰变",
        "isbn": "0-395-19395-8",
        "price": 22.99
      }
    ],
    "bicycle": {
      "color": "黑色",
      "price": 19.95
    }
  }
}

在这里插入图片描述
  本次需要爬取下图圈出来的书名，类似地，获取书的作者等等来熟悉JsonPath的语法。
在这里插入图片描述
  创建文件“073_jsonpath.py”。
在这里插入图片描述
  编写代码，运行程序，学会jsonpath的基本使用。

"""
jsonpath使用的演示
"""
import json
import jsonpath

# 加载json数据
obj = json.load(open('073_jsonpath.json', 'r', encoding='UTF-8'))
'''
json.load:从文件中加载 JSON 数据
json.loads:将 JSON 字符串转换为 Python 对象
'''

# 书店所有书的作者      jsonpath.jsonpath(json数据,'json路径')
author_list = jsonpath.jsonpath(obj, '$.store.book[*].author')
print(f"书店所有书的作者:{author_list}")

# 书店第一本书的作者      jsonpath.jsonpath(json数据,'json路径')
author_first = jsonpath.jsonpath(obj, '$.store.book[0].author')
print(f"书店第一本书的作者:{author_first}")

# 所有的作者
author_list = jsonpath.jsonpath(obj, '$..author')
print(f"所有的作者:{author_list}")

# store下面的所有元素
tag_list = jsonpath.jsonpath(obj, '$.store.*')
print(f"store下面的所有元素:{tag_list}")

# store里面所有东西的price
price_list = jsonpath.jsonpath(obj, '$.store..price')
print(f"store里面所有东西的price:{price_list}")

# 第三本书
book = jsonpath.jsonpath(obj, '$..book[2]')
print(f"第三本书:{book}")

# 最后一本书
book = jsonpath.jsonpath(obj, '$..book[(@.length-1)]')
print(f"最后一本书:{book}")

# 前面的两本书
book_list = jsonpath.jsonpath(obj, '$..book[0,1]')
print(f"前面的两本书:{book_list}")

book_list = jsonpath.jsonpath(obj, '$..book[:2]')  # 切片的方式
print(f"前面的两本书:{book_list}")

# 过滤出所有的包含版本号isbn的书     条件过滤需要在()前添加一个“?”
book_list=jsonpath.jsonpath(obj,'$..book[?(@.isbn)]')
print(f"过滤出所有的包含版本号isbn的书:{book_list}")

# 超过10块钱的书
book_list=jsonpath.jsonpath(obj,'$..book[?(@.price>10)]')
print(f"超过10块钱的书:{book_list}")

在这里插入图片描述

  2.jsonpath解析淘票票

  如下图，打开“淘票票”（网址为“https://dianying.taobao.com/”），按F12打开检查，点到网络。然后点击“淘票票”中的城市，会得到一个网络包，发现它是一个Json数据。本节将爬取该数据包存储的淘票票支持的城市。
在这里插入图片描述
  创建文件“074_jsonpath解析淘票票.py”。
在这里插入图片描述
  将请求地址复制到PyCharm中，另外将该地址使用浏览器打开，发现没有数据返回，说明有反爬机制。故将请求标头放到PyCharm中，删除开头带“:”的项（这些项没用，还会导致报错），再注释掉“Accept-Encoding”那一项，然后不断尝试，尝试获取源码，发现仅需“Referer”项即可获取到相应的数据。
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

"""
jsonpath解析淘票票
"""
import urllib.request

url = 'https://dianying.taobao.com/cityAction.json?activityId&_ksTS=1691239690513_108&json-callback=jsonp109&action=cityAction&n_s=new&event_submit_doGetAllRegion=true'
# 请求头
headers = {
    'Referer': 'https://dianying.taobao.com/',
}
request = urllib.request.Request(url=url, headers=headers)
response = urllib.request.urlopen(request)
content = response.read().decode('UTF-8')
print(content)

在这里插入图片描述
  但是获取到的数据并不完全符合json格式，开头多了“jsonp109(”，结尾多了“);”，需要进一步处理才能转变成json数据。
在这里插入图片描述
  如下编程，获取到json数据并保存到文件中，然后点开产生的json文件，使用快捷键Ctr+Alt+L重新设置json数据的缩进，便能直观看到json数据。

"""
jsonpath解析淘票票
"""
import urllib.request

url = 'https://dianying.taobao.com/cityAction.json?activityId&_ksTS=1691239690513_108&json-callback=jsonp109&action=cityAction&n_s=new&event_submit_doGetAllRegion=true'
# 请求头
headers = {
    'Referer': 'https://dianying.taobao.com/',
}
request = urllib.request.Request(url=url, headers=headers)
response = urllib.request.urlopen(request)
content = response.read().decode('UTF-8')
# print(content)  # 测试代码，判断是否获取到相应的数据
content = content.split('(')[1].split(')')[0]  # 变成json数据    删去开头的“jsonp109(”，结尾的“);”
# print(content)  # 测试代码,验证是否转为json数据
with open('074_jsonpath解析淘票票.json','w',encoding='UTF-8') as fp:
    fp.write(content)

在这里插入图片描述
  如下编程，即可获得城市。

"""
jsonpath解析淘票票
"""
import urllib.request
import json
import jsonpath

url = 'https://dianying.taobao.com/cityAction.json?activityId&_ksTS=1691239690513_108&json-callback=jsonp109&action=cityAction&n_s=new&event_submit_doGetAllRegion=true'
# 请求头
headers = {
    'Referer': 'https://dianying.taobao.com/',
}
request = urllib.request.Request(url=url, headers=headers)
response = urllib.request.urlopen(request)
content = response.read().decode('UTF-8')
# print(content)  # 测试代码，判断是否获取到相应的数据
content = content.split('(')[1].split(')')[0]  # 变成json数据    删去开头的“jsonp109(”，结尾的“);”
# print(content)  # 测试代码,验证是否转为json数据

obj = json.loads(content)
city_list = jsonpath.jsonpath(obj, '$..regionName')
print(city_list)

在这里插入图片描述

三、BeautifulSoup(即bs4)

  1.bs4的基本使用

  （1）基本简介（作用与优缺点）

在这里插入图片描述

  （2）安装以及创建

在这里插入图片描述
  具体安装步骤如下：首先找到python安装路径里的文件夹Scripts，里面专门用于存放python包。然后打开命令提示符，将命令行控制到文件夹Scripts中，并输入命令“pip install bs4 -i https://pypi.mirrors.ustc.edu.cn/simple/”。
在这里插入图片描述在这里插入图片描述在这里插入图片描述在这里插入图片描述

  （3）节点定位

在这里插入图片描述在这里插入图片描述
  具体如何使用请阅读代码演示。

  （4）节点信息

在这里插入图片描述
  具体如何使用请阅读代码演示。

  （5）代码演示（详细语法请看代码，含注释，比如函数find、find_all、select、按属性class寻找标签时需要使用“class_”）

  创建文件“075_bs4的基本使用.py”。
在这里插入图片描述
  如下图所示，创建文件“075_bs4的基本使用.html”,然后编写html文件的代码并查看效果。
在这里插入图片描述

<!DOCTYPE html>
<html lang="en">
    <head>
        <meta charset="UTF-8">
        <title>Title</title>
    </head>
    <body>

        <div>
            <ul>
                <li id="l1">张三</li>
                <li id="l2">李四</li>
                <li>王五</li>
                <a href="http://www.atguigu.com/" class="a1">尚硅谷</a>
                <span>嘿嘿嘿</span>
            </ul>
        </div>

        <a href="http://www.baidu.com/" title="a2">百度</a>

        <div id="d1">
            <span>哈哈哈</span>
        </div>

        <p id="p1" class="p1"></p>

    </body>
</html>

在这里插入图片描述
  继续编写代码，熟悉语法并运行，查看结果。

"""
 bs4的基本使用
-本次将通过解析本地文件将bs4的基础语法进行讲解
"""
from bs4 import BeautifulSoup

# 默认打开的文件的编码格式是gbk  所以在打开文件的时候需要指定编码
soup = BeautifulSoup(open('075_bs4的基本使用.html', encoding='UTF-8'), 'lxml')
# print(soup)  # 测试代码，判断能否读取本地的html文件

# 根据标签名查找节点
# 找到的是第一个符合条件的数据        soup.a --> 在soup中找到第一个a标签
print(f"soup.a的内容：{soup.a}")

# .attrs  将属性作为字典返回
print(f"soup.a.attrs的内容：{soup.a.attrs}")

# bs4的一些函数  find、find_all、select
# （1）find  返回第一个符合条件的标签
print(f"soup.find('a')的内容：{soup.find('a')}")
print(f"soup.find('a',title='a2')的内容：{soup.find('a', title='a2')}")

# 根据class的值来找到对应的标签对象   class需要添加下划线
print(f"soup.find('a',class_='a1')的内容：{soup.find('a', class_='a1')}")

# （2）find_all   返回的是一个列表
# 返回所有的a标签
print(f"soup.find_all('a')的内容：{soup.find_all('a')}")

# 加果想获取的是多个标签的数据    那么需要在find_all的参数中添加的是列表的数据
print(f"soup.find_all(['a','span'])的内容：{soup.find_all(['a', 'span'])}")

# 返回所有的li标签
print(f"soup.find_all('li')的内容：{soup.find_all('li')}")

# 获取前两个li       limit的作用： 查找前几个数据
print(f"soup.find_all('li',limit=2){soup.find_all('li', limit=2)}")

# （3）select（推荐）
# select方法返回的是一个列表  并且会返回多个数据
print(f"soup.select('a')的内容：{soup.select('a')}")

# 根据类选择器class进行筛选       通过.代表class,称为类选择器
print(f"soup.select('.a1')的内容：{soup.select('.a1')}")  # 找到class为“a1”的标签

# #代表id
print(f"soup.select('#l1')的内容：{soup.select('#l1')}")  # 找到id为“l1”的标签

# 属性选择器 [attribute] -----  通过属性来寻找对应的标签
# 查找到li标签中有id的标签
print(f"soup.select('li[id]')的内容：{soup.select('li[id]')}")

# 查找到li标签中id为l2的标签
print(f'soup.select(\'li[id]\')的内容：{soup.select("li[id=l2]")}')

# 层级选择器     后代（即子孙）、子代（即儿子）    后代用空格表示;子代用“>”表示；
# 找到div下的li      后代选择器（即子孙）
print(f"soup.select('div li')的内容：{soup.select('div li')}")

# 找到div下的li      子代选择器（即儿子）
# 注意：很多的计算机编程语言中，如果不加空格不会输出内容   但是在bs4中不会报错,也会显示内容
print(f"soup.select('div > ul > li')的内容：{soup.select('div > ul > li')}")

# 找到a标签和li标签的所有对象
print(f"soup.select('a,li')的内容：{soup.select('a,li')}")

# 节点信息
# （1）获取节点内容
obj = soup.select('#d1')[0]
# 如果标签对象中   只有内容    那么string和get_text()都可以使用
# 如果标签对象中   除了内容还有标签    那么string就获取不到数据 而get_text()是可以获取数据
# 我们一般情况下   推荐使用get_text()
print(f"obj.string的内容：{obj.string}")
print(f"obj.get_text()的内容：{obj.get_text()}")

# (2)节点的属性
obj = soup.select('#p1')[0]
# name用于获取标签的名字
print(f"obj.name的内容：{obj.name}")  # obj对应标签的名字

# .attrs  将属性作为字典返回
print(f"obj.attrs的内容：{obj.attrs}")

# (3)获取节点的具体某个属性
obj = soup.select('#p1')[0]  # select返回的是列表，需使用切片 “[0]” 获取到列表里的内容
print(f"obj.attrs.get('class')的内容:{obj.attrs.get('class')}")  # 推荐
print(f"obj.get('class')的内容:{obj.get('class')}")  # 不推荐
print(f"obj['class']的内容:{obj['class']}")  # 不推荐
print(f"obj.attrs['class']的内容:{obj.attrs['class']}")  # 使用切片

在这里插入图片描述

  2.bs4爬取星巴克数据

  打开星巴克官网，然后点击菜单，本次需要爬取此页面的图片以及对应的产品名字，并保存到本地。
在这里插入图片描述
在这里插入图片描述
  创建文件“076_bs4爬取星巴克数据.py”。
在这里插入图片描述
  回到浏览器中，按F12打开检查，点到网络，刷新页面，慢慢寻找对应的接口（在响应中使用搜索快捷键Ctr+F,搜索对应的关键字）。然后，点击标头，将请求地址复制到PyCharm中。
在这里插入图片描述在这里插入图片描述
  在寻找图片的名字的路径时，一般是先找的xpath路径，然后改成bs4路径的，具体如下图（注：使用快捷键Ctr+Alt+X即可打开插件xpath）。第一张图展示了如何获取到图片的名字的xpath路径，至于如何改成select下的路径参考后面的代码（具体如何理解请结合上一节的笔记。另外，根据xpath写的路径可能获取不到结果，可以根据元素进行适当修改，路径不止一种写法。）。
在这里插入图片描述
  至于图片的请求地址，经过网络和元素两个地方观察发现，它的url是由“https://www.starbucks.com.cn”和元素里的一部分参数组成，具体如图所示。将“https://www.starbucks.com.cn”复制到PyCharm中。
在这里插入图片描述在这里插入图片描述在这里插入图片描述
  如下图所示，找到图片地址对应的参数的xpath路径，复制到PyCharm中。
在这里插入图片描述
  创建名为“076_bs4爬取星巴克数据”的文件夹。
在这里插入图片描述
  继续编写代码并运行，图片可能有点多，本次程序运行时间较长。

"""
bs4爬取星巴克数据的演示
"""
import urllib.request
from bs4 import BeautifulSoup

url = "https://www.starbucks.com.cn/menu/"
response = urllib.request.urlopen(url)
content = response.read().decode('UTF-8')
# print(content)  # 测试代码，验证是否获取到网页源码

soup = BeautifulSoup(content, 'lxml')
# 名字的xpath路径 /html/body/div[1]/section/div[2]/ul/li/a/strong
name_list = soup.select('ul[class="grid padded-3 product"] > li > a > strong')

# 图片地址   图片参数的xpath路径：/html/body/div[1]/section/div[2]/ul/li/a/div/@style
pic_base_url = 'https://www.starbucks.com.cn'
pic_url_element_list = soup.select('ul[class="grid padded-3 product"] > li > a > div')
pic_url = []  # 用于存放图片地址
pic_name = []  # 用于存放图片名字
for i in range(len(name_list)):
    pic_name.append(name_list[i].get_text().replace('/', '_'))  # 替换斜杠，避免文件命名问题
    # print(pic_name[i])  # 用于验证是否成功获取到名字
    # print(pic_url_element_list[i].attrs.get('style'))  # 用于验证是否成功获取到图片地址的参数
    pic_url.append(pic_base_url + pic_url_element_list[i].attrs.get('style').split('"')[1])

# 图片名和图片地址有了后，即可下载图片
for i in range(len(name_list)):
    urllib.request.urlretrieve(url=pic_url[i], filename='./076_bs4爬取星巴克数据/' + pic_name[i] + '.jpg')

在这里插入图片描述在这里插入图片描述
  好了，本章的笔记到此结束，谢谢大家阅读。

知乎云烟
关注
  • 0
    点赞
  • 踩
  • 17
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
专栏目录
python 爬虫学习资料.zip
11-12
python 爬虫学习资料.zip
网络爬虫案例解析
08-31
本文主要介绍了网络爬虫的小案例。具有很好的参考价值。下面跟着小编一起来看下吧
python爬虫 Pyppeteer使用方法解析
09-18
主要介绍了python爬虫 Pyppeteer使用方法解析,文中通过示例代码介绍的非常详细，对大家的学习或者工作具有一定的参考学习价值,需要的朋友可以参考下
python urllib爬虫模块使用解析
09-18
主要介绍了python urllib爬虫模块使用解析,文中通过示例代码介绍的非常详细，对大家的学习或者工作具有一定的参考学习价值,需要的朋友可以参考下
Python 正则表达式爬虫使用案例解析
10-16
主要介绍了Python 正则表达式爬虫使用案例解析,文中通过示例代码介绍的非常详细，对大家的学习或者工作具有一定的参考学习价值,需要的朋友可以参考下
python 爬虫学习笔记
03-09
python 爬虫学习笔记
尚硅谷Python爬虫教程小白零基础速通
纯鹿人的博客
07-21 176
注：笔记已跳过Python基础知识部分。
Python爬虫的scrapy的学习（学习于b站尚硅谷）
无
08-19 2728
本文是本人在b站上学习尚硅谷的Python爬虫教程小白零基础速通的，关于爬虫部分后记录的笔记。
尚硅谷Python自学笔记
BAB__的博客
01-14 1007
Python初学笔记
【尚硅谷】python学习个人笔记
Davina_yu的博客
12-21 500
我的电脑 – 右击 – 属性 – 高级系统设置 – 环境变量(N) – Path – 编辑 – 新建(N)如果前面忘了直接勾选path。创建文件，改后缀名为 .py。python.exe 路径。如果没有，就配置环境变量。
【python 爬虫】人人视频 API 接口解析
06-07
博客《【python 爬虫】人人视频 API 接口解析》的代码，博客地址：https://blog.csdn.net/qq_34461637/article/details/106603773
python爬虫学习笔记（二）——解析内容
01-20
– 获取到网页数据后，我们发现我们想要的信息隐藏在一堆无用信息之中，此时便需要解析网页数据的内容 补充：在一些其他的教程中，发现也可以用urllib模块获取数据，urllib模块是python内置的一个http请求库，不需要额外的安装。只需要关注请求的链接，参数，提供了强大的解析。requests库则需格外安装，但是个人感觉requests使用更简洁方便 标签解析 Beautiful Soup库的安装（Beautiful Soup库是解析、遍历、维护“标签树”的功能库）： 按WIN键+R键打开运行，输入cmd后回车进入命令提示符 pip install beautifulsoup4 然而，
B站视频python爬虫下载
03-29
B站视频python爬虫下载，注意修改video_bvid，通过视频链接可以查看。B站视频python爬虫下载，注意修改video_bvid，通过视频链接可以查看。B站视频python爬虫下载，注意修改video_bvid，通过视频链接可以查看。B站...
Python爬虫解析笔记.md
08-27
本篇内容主要介绍了Python网络爬虫的相关知识,包括错误处理与异常捕获、会话管理、网页内容爬取等方面。文中给出了使用try-except结构处理网络错误、利用Session对象保持会话连续性的示例代码,以及通过Requests库和...
基于python爬虫学习项目源码.zip
09-23
基于python爬虫学习项目源码.zip基于python爬虫学习项目源码.zip基于python爬虫学习项目源码.zip基于python爬虫学习项目源码.zip基于python爬虫学习项目源码.zip基于python爬虫学习项目源码.zip基于python爬虫学习...
【 书生·浦语大模型实战营】作业（六）：Lagent & AgentLego 智能体应用搭建
最新发布
专注大数据与人工智能技术分享，欢迎私信加群互相学习！
05-03 614
本篇笔记内容主要为 【书生·浦语大模型实战营】作业（六）：Lagent & AgentLego 智能体应用搭建智能体的作业 ，主要对智能体应用理论部分及具体搭建流程详细介绍，并分别进行实战应用及可视化展示，欢迎大家交流学习！
python学习笔记----循环语句（四）
取个名字太难了a的博客
04-28 981
随机数种子在生成随机数的过程中起到一个非常重要的作用。它是用于初始化随机数生成算法（伪随机数生成器）的初始值。随机数种子的作用可重复性：当你使用特定的种子值初始化随机数生成器时，即使在不同的运行环境或不同时间，生成的随机数序列都将是相同的。这对于调试和测试非常重要，因为它允许程序的行为在使用随机数时保持一致。控制随机性：种子提供了一种方法来控制随机数生成过程。通过改变种子，你可以获得不同的随机数序列，这对于模拟和其他需要随机输入的应用非常有用。
python复习（三）
qq_43710593的博客
04-29 320
类是一种面向。
SpringBoot中实现发送邮件
m0_64289188的博客
04-30 509
当你添加了spring-boot-starter-mail依赖后，Spring Boot会自动配置JavaMailSender实例，并根据application.yml文件中的属性来配置这个实例。你可以直接在需要发送邮件的地方通过@Autowired注解将JavaMailSender实例注入到你的类中，然后使用它来发送邮件。：首先，需要在你的pom.xml文件中添加Spring Boot的邮件发送器依赖。，简化了在Spring Boot应用程序中发送电子邮件的设置过程。Spring Boot的。
python爬虫尚硅谷
09-09
你可以使用Python编写爬虫来抓取尚硅谷网站的内容。首先，你需要安装Python的requests库来发送HTTP请求，以及BeautifulSoup库来解析HTML页面。 以下是一个简单的示例代码： ```python import requests from bs4 import BeautifulSoup url = 'http://www.atguigu.com/' # 发送HTTP请求获取网页内容 response = requests.get(url) # 解析HTML页面 soup = BeautifulSoup(response.text, 'html.parser') # 找到想要抓取的内容 titles = soup.find_all('h2', class_='title') # 打印抓取到的内容 for title in titles: print(title.text) ``` 上述代码会抓取尚硅谷首页中所有标题为h2并且class属性为"title"的内容，并将其打印出来。 当然，爬虫需要注意遵守网站的使用规则和法律法规，避免对网站造成过大的负担或侵犯他人权益。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

知乎云烟

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值