Task 2

最新推荐文章于 2020-09-21 18:57:14 发布

qq_45820344

最新推荐文章于 2020-09-21 18:57:14 发布

阅读量315

点赞数

文章标签： python

本文链接：https://blog.csdn.net/qq_45820344/article/details/105716521

版权

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

qq_45820344

关注

0
点赞
踩
0

收藏

觉得还不错? 一键收藏
0
评论
Task 2

xPathlinkBeautiful link正则表达relinkXPath: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...
复制链接

扫一扫