xPath
link
Beautiful link
正则表达re
link
XPath:
笔记:
"/“表示文档节点,”.“表示当前节点,而”…"则表示当前节点的父节点.
表达式:
nodeName 选取名称为nodeName的节点
/ 从根节点选取
// 选择元素后代元素,必须在后面跟上nodeName
. 选取当前节点
… 选取当前节点的父节点
@ 选取属性节点(@是attribute的缩写
body/p[position()=4] //这个XPath表达式将选取body子元素中第4个p元素,注意这里从1开始计数
body/p[position()❤️] //将选取body子元素中前两个p元素
Predicates:
详细信息的指明:
/root/child[3] {选取root元素的第三个child子元素,注意,这和数组下标不一样,从1开始计数
//child[@attr] {选取所有具有属性attr的child元素
//child[@attr="val"]/desc {选取所有属性attr的值为val的child元素的子元素desc
//child[** desc**] {选取所有的有desc子元素的child
//child[ position()>3] {position()是XPath中的一个函数,表示节点的位置
//child[@attr>12] {XPath表达式还可以进行数值比较,该表达式将选取attr属性值大于12的child元素
//child[last()] {last()函数返回节点列表最后的位置,该表达式将选取最后一个child元素
学习链接:
link
lxml:
from lxml import etree
lxml将html文本转成xml对象
- tree = etree.HTML(html)
爬丁香园:
from lxml import etree
import requests
url = "http://www.dxy.cn/bbs/thread/626626#626626"
req = requests.get(url) ### 1. 获取url的html
html = req.text
# html
tree = etree.HTML(html) ### 2. lxml解析html
tree
user = tree.xpath('//div[@class="auth"]/a/text()') #### 3. 利用Xpath表达式获取user和content(重点)
print(user)
content = tree.xpath('//td[@class="postbody"]')
results = []
for i in range(0, len(user)):
# print(user[i].strip()+":"+content[i].xpath('string(.)').strip())
# print("*"*80)
# 因为回复内容中有换行等标签,所以需要用string()来获取数据
results.append(user[i].strip() + ": " + content[i].xpath('string(.)').strip())
# 打印爬取的结果
for i, result in zip(range(0, len(user)), results):
print("user" + str(i + 1) + "-" + result)
print("*" * 100)
正则表达式re:
笔记摘抄:
简洁
常用操作符
-
. 表示任何单个字符 [ ] 字符集,对单个字符给出取值范围 ,如[abc]表示a、b、c,[a‐z]表示a到z单个字符
-
[^ ]非字符集,对单个字符给出排除范围 ,如[^abc]表示非a或b或c的单个字符
-
- 前一个字符0次或无限次扩展,如abc* 表示 ab、abc、abcc、abccc等
-
- 前一个字符1次或无限次扩展 ,如abc+ 表示 abc、abcc、abccc等 ? 前一个字符0次或1次扩展 ,如abc? 表示 ab、abc
-
| 左右表达式任意一个 ,如abc|def 表示 abc、def
-
{m} 扩展前一个字符m次 ,如ab{2}c表示abbc
-
{m,n} 扩展前一个字符m至n次(含n) ,如ab{1,2}c表示abc、abbc
-
^ 匹配字符串开头,如^abc表示abc且在一个字符串的开头 $ 匹配字符串结尾 ,如abc
-
$表示abc且在一个字符串的结尾 ( )分组标记,内部只能使用 | 操作符 ,如(abc)表示abc,(abc|def)表示abc、def
-
\d 数字,等价于[0‐9]
-
\w单词字符,等价于[A‐Za‐z0‐9_]
re库的主要功能函数:
- re.search() 在一个字符串中搜索匹配正则表达式的第一个位置,返回match对象
- re.search(pattern,
string, flags=0) re.match() 从一个字符串的开始位置起匹配正则表达式,返回match对象 - re.match(pattern, string, flags=0) re.findall() 搜索字符串,以列表类型返回全部能匹配的子串
- re.findall(pattern, string, flags=0) re.split()
将一个字符串按照正则表达式匹配结果进行分割,返回列表类型 re.split(pattern, string, maxsplit=0,
flags=0) - re.finditer() 搜索字符串,返回一个匹配结果的迭代类型,每个迭代元素是match对象
- re.finditer(pattern, string, flags=0) re.sub()
在一个字符串中替换所有匹配正则表达式的子串,返回替换后的字符 - re.sub(pattern, repl, string, count=0, flags=0)
flags : 正则表达式使用时的控制标记:
- re.I --> re.IGNORECASE : 忽略正则表达式的大小写,[A‐Z]能够匹配小写字符
- re.M --> re.MULTILINE : 正则表达式中的^操作符能够将给定字符串的每行当作匹配开始
- re.S --> re.DOTALL : 正则表达式中的.操作符能够匹配所有字符,默认匹配除换行外的所有字符
淘宝商品比价定向爬虫:
import requests
import re
#### 1. 提交商品搜索请求,循环获取页面
def getHTMLText(url):
"""
请求获取html,(字符串)
:param url: 爬取网址
:return: 字符串
"""
try:
# 添加头信息,
kv = {
'cookie': 'thw=cn; v=0; t=ab66dffdedcb481f77fd563809639584; cookie2=1f14e41c704ef58f8b66ff509d0d122e; _tb_token_=5e6bed8635536; cna=fGOnFZvieDECAXWIVi96eKju; unb=1864721683; sg=%E4%B8%8B3f; _l_g_=Ug%3D%3D; skt=83871ef3b7a49a0f; cookie1=BqeGegkL%2BLUif2jpoUcc6t6Ogy0RFtJuYXR4VHB7W0A%3D; csg=3f233d33; uc3=vt3=F8dBy3%2F50cpZbAursCI%3D&id2=UondEBnuqeCnfA%3D%3D&nk2=u%2F5wdRaOPk21wDx%2F&lg2=VFC%2FuZ9ayeYq2g%3D%3D; existShop=MTU2MjUyMzkyMw%3D%3D; tracknick=%5Cu4E36%5Cu541B%5Cu4E34%5Cu4E3F%5Cu5929%5Cu4E0B; lgc=%5Cu4E36%5Cu541B%5Cu4E34%5Cu4E3F%5Cu5929%5Cu4E0B; _cc_=WqG3DMC9EA%3D%3D; dnk=%5Cu4E36%5Cu541B%5Cu4E34%5Cu4E3F%5Cu5929%5Cu4E0B; _nk_=%5Cu4E36%5Cu541B%5Cu4E34%5Cu4E3F%5Cu5929%5Cu4E0B; cookie17=UondEBnuqeCnfA%3D%3D; tg=0; enc=2GbbFv3joWCJmxVZNFLPuxUUDA7QTpES2D5NF0D6T1EIvSUqKbx15CNrsn7nR9g%2Fz8gPUYbZEI95bhHG8M9pwA%3D%3D; hng=CN%7Czh-CN%7CCNY%7C156; mt=ci=32_1; alitrackid=www.taobao.com; lastalitrackid=www.taobao.com; swfstore=97213; x=e%3D1%26p%3D*%26s%3D0%26c%3D0%26f%3D0%26g%3D0%26t%3D0%26__ll%3D-1%26_ato%3D0; uc1=cookie16=UtASsssmPlP%2Ff1IHDsDaPRu%2BPw%3D%3D&cookie21=UIHiLt3xThH8t7YQouiW&cookie15=URm48syIIVrSKA%3D%3D&existShop=false&pas=0&cookie14=UoTaGqj%2FcX1yKw%3D%3D&tag=8&lng=zh_CN; JSESSIONID=A502D8EDDCE7B58F15F170380A767027; isg=BMnJJFqj8FrUHowu4yKyNXcd2PXjvpa98f4aQWs-RbDvsunEs2bNGLfj8BYE6lWA; l=cBTDZx2mqxnxDRr0BOCanurza77OSIRYYuPzaNbMi_5dd6T114_OkmrjfF96VjWdO2LB4G2npwJ9-etkZ1QoqpJRWkvP.; whl=-1%260%260%261562528831082',
'user-agent': 'Mozilla/5.0'
}
r = requests.get(url, timeout=30, headers=kv)
# r = requests.get(url, timeout=30)
# print(r.status_code)
r.raise_for_status()
r.encoding = r.apparent_encoding
return r.text
except:
return "爬取失败"
#### 2. 对于每个页面,提取商品名称和价格信息
def parsePage(glist, html):
'''
解析网页,搜索需要的信息
:param glist: 列表作为存储容器
:param html: 由getHTMLText()得到的
:return: 商品信息的列表
'''
try:
# 使用正则表达式提取信息
price_list = re.findall(r'\"view_price\"\:\"[\d\.]*\"', html)
name_list = re.findall(r'\"raw_title\"\:\".*?\"', html)
for i in range(len(price_list)):
price = eval(price_list[i].split(":")[1]) #eval()在此可以去掉""
name = eval(name_list[i].split(":")[1])
glist.append([price, name])
except:
print("解析失败")
#%% md
#### 3. 将信息输出到屏幕上
#%%
def printGoodList(glist):
tplt = "{0:^4}\t{1:^6}\t{2:^10}"
print(tplt.format("序号", "商品价格", "商品名称"))
count = 0
for g in glist:
count = count + 1
print(tplt.format(count, g[0], g[1]))
#%%
# 根据页面url的变化寻找规律,构建爬取url
goods_name = "书包" # 搜索商品类型
start_url = "https://s.taobao.com/search?q=" + goods_name
info_list = []
page = 3 # 爬取页面数量
#%%
count = 0
for i in range(page):
count += 1
try:
url = start_url + "&s=" + str(44 * i)
html = getHTMLText(url) # 爬取url
parsePage(info_list, html) #解析HTML和爬取内容
print("\r爬取页面当前进度: {:.2f}%".format(count * 100 / page), end="") # 显示进度条
except:
continue
printGoodList(info_list)
Beautiful Soup:(不是很懂)
# 导入bs4库
from bs4 import BeautifulSoup
import requests # 抓取页面
r = requests.get('https://python123.io/ws/demo.html') # Demo网址
demo = r.text # 抓取的数据
demo
# 解析HTML页面
soup = BeautifulSoup(demo, 'html.parser') # 抓取的页面数据;bs4的解析器
# 有层次感的输出解析后的HTML页面
print(soup.prettify())
实战:copy
import requests
from bs4 import BeautifulSoup
import bs4
def getHTMLText(url): ## 1. 从网络上获取大学排名网页内容
try:
r = requests.get(url, timeout=30)
r.raise_for_status()
r.encoding = r.apparent_encoding
return r.text
except:
return ""
def fillUnivList(ulist, html): ### 2. 提取网页内容中信息到合适的数据结构(二维数组)1. 查看网页源代码,观察并定位到需要爬取内容的标签;2. 使用bs4的查找方法提取所需信息-'排名,学校名称,总分'
soup = BeautifulSoup(html, "html.parser")
for tr in soup.find('tbody').children :
if isinstance(tr, bs4.element.Tag):
tds = tr('td')
# 根据实际提取需要的内容,
ulist.append([tds[0].string, tds[1].string, tds[3].string])
# 对中英文混排输出问题进行优化:对format(),设定宽度和添加参数chr(12288)
def printUnivList(ulist, num=20): ###3. 利用数据结构展示并输出结果
tplt = "{0:^10}\t{1:{3}^10}\t{2:^10}"
print(tplt.format('排名', '学校名称', '总分', chr(12288)))
for i in range(num):
u = ulist[i]
print(tplt.format(u[0], u[1], u[2], chr(12288)))
u_info = [] # 存储爬取结果的容器
url = 'http://www.zuihaodaxue.cn/zuihaodaxuepaiming2019.html'
html = getHTMLText(url)
fillUnivList(u_info, html) # 爬取
printUnivList(u_info, num=30) # 打印输出30个信息