Python爬虫技术4：解析内容（补充知识：BeautifulSoup、正则表达式）
一、补充BeautifulSoup的知识
首先准备一个html文件：baidu.html
对这个html进行解析
以下代码在后面贴出的代码中一直都要存在
from bs4 import BeautifulSoup
file =open("baidu.html","rb")
html=file.read()
bs=BeautifulSoup(html,"html.parser") #解析html文档形成树形结构
1.Tag
#1.Tag 标签及其内容：拿到第一个标签及其所有内容
print(bs.title)
print(bs.head)
输出结果
2.NavigableString
#2.NavigableString：标签里的内容（字符串）
print(bs.title.string)
输出结果
获取标签里的所有属性
#获取第一个标签的所有属性
print(bs.a.attrs)
输出结果
3.BeautifulSoup
#3.BeautifulSoup 表示整个文档
print(type(bs))
print(bs)
输出结果
4.Comment
#4.Comment：是一个特殊的NavigatableString，输出的内容不包括注释符号
print(type(bs.a.string))
print(bs.a.string)
这里的输出的“新闻”对应第一个a标签里的注释（去除了注释符号）
5.具体应用
①文档的遍历
#----------应用----------
#文档的遍历
print(bs.head.contents)
print(bs.head.contents[1])
输出结果
除了contents之外还有很多的属性：
②文档的搜索
（1）find_all()
#文档的搜索
#(1)find_all()
#字符串过滤：会查找与字符串完全匹配的内容
t_list=bs.find_all("a") #找到所有a标签，返回一个列表
print(t_list)
输出结果：
（2）正则表达式搜索
#正则表达式搜索：使用search（）方法来匹配内容
#也是按标签来找，当标签内含有a时就匹配上，返回列表
import re
t_list=bs.find_all(re.compile("a"))
print(t_list)
输出结果：
（3）根据函数要求搜索
#方法：传入一个函数（方法），根据函数要求搜索（了解）
def name_is_exists(tag):
return tag.has_attr("name")
t_list=bs.find_all(name_is_exists) #所有含有name的
print(t_list)
或者：
#方法：传入一个函数（方法），根据函数要求搜索（了解）
def name_is_exists(tag):
return tag.has_attr("name")
t_list=bs.find_all(name_is_exists) #所有含有name的
for item in t_list:
print(item)
输出结果：
(4)kwargs
#(4)kwargs 指定参数
t_list=bs.find_all(id="head")
for item in t_list:
print(item)
#(4)kwargs 指定参数
t_list=bs.find_all(href="http://news.baidu.com")
for item in t_list:
print(item)
输出结果：
（5）text 参数
#(5)text 参数
t_list=bs.find_all(text="新闻")
for item in t_list:
print(item)
#(5)text 参数
t_list=bs.find_all(text=["新闻","百度一下，你就知道"])
for item in t_list:
print(item)
#(5)text 参数
import re
t_list=bs.find_all(text=re.compile("\d")) #查找所有含有数字的文本（应用正则表达式来查找包含特定文本的内容）
for item in t_list:
print(item)
输出结果：
（6）limit 参数
#(6)limit 参数
t_list=bs.find_all("a",limit=2)
for item in t_list:
print(item)
输出结果：
（7）css选择器
#css选择器
t_list=bs.select("title") #通过标签来查找
n_list=bs.select(".mnav") #通过class来查找
m_list=bs.select("#u1") #通过id来查找
g_list=bs.select("a[class='mnav']") #通过属性来查找
h_list=bs.select("head > title") #通过子标签查找（查找head标签里的title）
for item in t_list:
print(item)
for item in n_list:
print(item)
for item in m_list:
print(item)
for item in g_list:
print(item)
for item in h_list:
print(item)
输出结果：
二、补充RE（正则表达式的知识）
1.基本知识点
2.基本应用
（1）search
#正则表达式：字符串模式（判断字符串是否符合一定的标准）
import re
#创建模式对象
pat=re.compile("AA") #此处的AA是正则表达式，用来去验证其他的字符串
#search方法进行比对查找
m=pat.search("CBA") #search后面的字符串是被校验的内容 不匹配
n=pat.search("ABCAA") #匹配到了AA
p=pat.search("ABAADDCCAAA") #匹配到了AA
print(m)
print(n)
print(p)
输出结果：
#没有模式对象
m=re.search("asd","Aasd") #前面的字符串是正则表达式，后面字符串时被校验的内容
print(m)
输出结果：
（2）findall
print(re.findall("[A-Z]","ASDaDFGAa")) #前面的字符串是正则表达式，后面字符串时被校验的内容
print(re.findall("[A-Z]+","ASDaDFGAa"))
输出结果：
（3）sub
#用A替换a，第三个字符串是被替换的字符串
print(re.sub("a","A","abcdcasd"))
输出结果：
注意：建议在正则表达式中，被校验的字符串前面加上r，不用担心转义字符的问题
a="\nabs-\'"
b=r"\aabs-\'"
print(a)
print(b)
输出结果：
三、解析内容
学习完补充知识之后，继续编写我们的代码
部分代码详解：
1.
for item in soup.find_all('div',class_="item"):
print(item) #测试：查看电影item全部信息
2.
findLink=re.compile(r'<a href="(.*?)">') #创建正则表达式对象，表示规则（字符串的模式）
其中是我们观察到的链接的一个模式（正则表达式），r是防止识别为转义字符的。
同理根据以下网页源码可以写出正则表达式
#影片详情链接的正则表达式
findLink=re.compile(r'<a href="(.*?)">') #创建正则表达式对象，表示规则（字符串的模式）
#影片图片
findImgSrc=re.compile(r'<img.*src="(.*?)"',re.S) #re.S 让换行符包含在字符中
#影片的片名
findTitle=re.compile(r'<span class="title">(.*)</span>')
#影片的评分
findRating=re.compile(r'<span class="rating_num" property="v:average">(.*)</span>')
#评价人数
findJudge=re.compile(r'<span>(\d*)人评价</span>')
#找到概况
findInq=re.compile(r'<span class="inq">(.*)</span>')
#找到影片的相关内容
findBd=re.compile(r'<p class="">(.*)</p>',re.S)
最终的代码：
#-*- coding = utf-8 -*-
#@Time : 2020/9/8 23:17
#@Author : Vivian
#@File : spider.py
#@Sofeware : PyCharm
from bs4 import BeautifulSoup #网页解析，获取数据
import re #正则表达式，进行文件匹配
import urllib.request,urllib.error #指定URL，获取网页数据
import xlwt #进行excel操作
import sqlite3 #进行SQLite数据库操作
def main():
baseurl="https://movie.douban.com/top250?start="
#1.爬取网页
datalist=getData(baseurl)
savepath=".\\豆瓣电影Top250.xls"
#3.保存数据
#saveData(savepath)
askURL("https://movie.douban.com/top250?start=0")
#正则表达式
#()里的东西是我们要的
#影片详情链接的正则表达式
findLink=re.compile(r'<a href="(.*?)">') #创建正则表达式对象，表示规则（字符串的模式）
#影片图片
findImgSrc=re.compile(r'<img.*src="(.*?)"',re.S) #re.S 让换行符包含在字符中
#影片的片名
findTitle=re.compile(r'<span class="title">(.*)</span>')
#影片的评分
findRating=re.compile(r'<span class="rating_num" property="v:average">(.*)</span>')
#评价人数
findJudge=re.compile(r'<span>(\d*)人评价</span>')
#找到概况
findInq=re.compile(r'<span class="inq">(.*)</span>')
#找到影片的相关内容
findBd=re.compile(r'<p class="">(.*?)</p>',re.S)
#1.爬取网页
def getData(baseurl):
datalist=[]
for i in range(0,10): #调用获取页面信息的函数：十次
url=baseurl+str(i*25)
html=askURL(url) #保存获取到的网页源码
# 2.逐一解析数据
soup=BeautifulSoup(html,"html.parser")
# 查找符合要求的字符串，形成列表
#下面查找div标签，有一个class属性（要加上下划线）等于item的内容
for item in soup.find_all('div',class_="item"):
#print(item) #测试：查看电影item全部信息
data=[] #保存一部电影的所有信息
item=str(item) #变成字符串，可以用正则表达式分析
#获取影片详情链接
link=re.findall(findLink,item)[0] #re库用来通过正则表达式（findLink）查找指定的字符串(item)，获得第一个满足的存到link里
data.append(link) #添加链接
imgSrc=re.findall(findImgSrc,item)[0]
data.append(imgSrc) #添加图片
titles=re.findall(findTitle,item)
if (len(titles)==2):
ctitle=titles[0]
data.append(ctitle) #添加中文名
otitle=titles[1].replace("/","") #去掉无关符号
data.append(otitle) #添加外国名
else:
data.append(titles[0])
data.append(' ') #外国名留空
rating=re.findall(findRating,item)[0]
data.append(rating) #添加评分
judgeNum=re.findall(findJudge,item)[0]
data.append(judgeNum) #添加评价人数
inq=re.findall(findInq,item)
if len(inq)!=0:
inq=inq[0].replace("。","") #去掉句号
data.append(inq) # 添加概述
else:
data.append(" ") #留空
bd=re.findall(findBd,item)[0]
bd=re.sub('<br(\s+)?/>(\s+)?'," ",bd) #去掉<br/>
bd=re.sub('/'," ",bd)
data.append(bd.strip()) #去掉前后空格
datalist.append(data) #把处理好的一部电影信息放入datalist
#print(datalist)
return datalist
#得到指定一个URL的网页内容
def askURL(url):
head={ #模拟浏览器头部信息向豆瓣服务器发送消息 注意空格去掉
"User-Agent": "Mozilla / 5.0(Windows NT 10.0;Win64;x64) AppleWebKit / 537.36(KHTML, likeGecko) Chrome / 80.0.3987.106Safari / 537.36"
}
#用户代理：告诉豆瓣服务器我们是什么类型的机器（浏览器）（表示我们可以接收什么水平的文件内容）
request=urllib.request.Request(url,headers=head)
html=""
try:
response=urllib.request.urlopen(request)
html=response.read().decode("utf-8")
#print(html)
except urllib.error.URLError as e:
if hasattr(e,"code"):
print(e.code)
if hasattr(e,"reason"):
print(e.reason)
return html
#3.保存数据
def saveData(savepath):
pass
if __name__ == "__main__": #当程序执行时（入口）
#调用函数
main()
扫一扫
1292
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
