1.Beautiful Soup
Beautiful Soup 是一个可以从HTML或XML文件中提取数据的Python库,通过 BeautifulSoup,只需要用很少的代码就可以提取出 HTML 中任何感兴趣的内容,此外,它还有一定的 HTML 容错能力,对于一个格式不完整的HTML 文档,它也可以正确处理。
此外,嵩天老师慕课 Python网络爬虫与信息提取 P22-31小节关于 Beautiful Soup 的讲解不错~
实战环节:使用beautifulsoup提取丁香园论坛的回复内容
目标网址:http://www.dxy.cn/bbs/thread/626626#626626
import requests
from bs4 import BeautifulSoup
def web_content(content):
soup = BeautifulSoup(content, "lxml")
for item in soup.find_all("tbody"):
try:
name = item.find("div", class_ = "auth").get_text(strip=True)
content = item.find('td', class_ = "postbody").get_text(strip=True)
print(name + ":" +content)
except:
pass
def main():
url = "http://www.dxy.cn/bbs/thread/626626#626626"
headers = {"User-Agent":"Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/72.0.3626.121 Safari/537.36"}
response = requests.get(url, headers = headers).text
web_content(response)
if __name__ == "__main__":
main()
结果如下:
解释:
soup = BeautifulSoup(content, "lxml")
首先传入一个 html 文档,soup 是获得文档的对象。然后,文档被转换成 Unicode ,并且 HTML 的实例都被转换成 Unicode 编码。然后,Beautiful Soup 选择最合适的解析器来解析这段文档,如果手动指定解析器那么 Beautiful Soup 会选择指定的解析器来解析文档。但是一般最好手动指定解析器,并且使用 requests 与 BeautifulSoup 结合使用。
- 要解析的文档是什么类型: 目前支持, html, xml, 和 html5
- 指定使用哪种解析器: 目前支持, lxml, html5lib, 和 html.parser
for item in soup.find_all("tbody")
name = item.find("div",class = "auth").get_text(strip=True)
可以去除获得文本内容的前后空白
if __name__ == "__main__"
当.py文件被直接运行时,if name == 'main’之下的代码块将被运行;当.py文件以模块形式被导入时,if name == 'main’之下的代码块不被运行。
2.Xpath
XPath即为XML路径语言(XML Path Language),它是一种用来确定XML文档中某部分位置的语言。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。XML 文档是被作为节点树来对待的。
实战环节:使用beautifulsoup提取丁香园论坛的回复内容
目标网址:http://www.dxy.cn/bbs/thread/626626#626626
import requests
from lxml import etree
def web_content(content):
tree = etree.HTML(content)
name = tree.xpath('//*[@class="postbox"]//tbody//*[@class="auth"]/a/text()')
content = tree.xpath('//*[@class="postbox"]//tbody//*[@class="postbody"]')
for i,j in zip(name, content):
j = j.text.replace('\r','').replace('\n','').replace('\t','').replace(' ','')
print('{}:{}'.format(i,j))
def main():
url = "http://www.dxy.cn/bbs/thread/626626#626626"
headers = {"User-Agent":"Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/72.0.3626.121 Safari/537.36"}
response = requests.get(url, headers = headers).text
web_content(response)
if __name__ == "__main__":
main()
结果如图:
参考资料:
1.python爬虫初步之BeautifulSoup实战
2.学习xpath,使用lxml+xpath提取内容
3.HTML文本解析库BeautifulSoup
4.BeautifulSoup 模块使用指南
5.if name == ‘main’”语句
6.如何简单地理解Python中的if name == ‘main’