python网络信息提取_Python网络爬虫与信息提取(四):信息的标记和提取

Python网络爬虫与信息提取

1.信息的标记

2.HTML的信息标记

3.三种信息标记形式

XML：Extensible Markup Language

JSON:JavaScript Object Notation

YAML:YAML Ain't Markup Language

3.三种信息标记形式的比较

4.信息提取的一般方法

5.基于bs4库的HTML内容查找方法

主要方法

6.实例

“中国大学排名定向爬虫”实例

功能描述

程序的设计结构

代码实现

代码优化

1.信息的标记

标记后的信息可形成信息组织结构，增加了信息维度

标记后的信息可用于通讯、存储或展示

标记的结构与信息一样具有重要价值

标记后的信息更利于程序理解和运用

2.HTML的信息标记

HTML是WWW (World Wide Web)的信息组织方式。

HTML通过预定义的<>…>标签形式组织不同类型的信息。

3.三种信息标记形式

XML：Extensible Markup Language

JSON:JavaScript Object Notation

有类型的键值对key:value

YAML:YAML Ain’t Markup Language

无类型键值对key:value

用缩进表示所属关系

-号表示值的并列关系

3.三种信息标记形式的比较

信息标记形式

表达式

描述

应用

XML

最早的通用信息标记语言，可拓展性好，但繁琐

Internet上的信息交互与传递

JSON

信息有类型，适合程序处理(js)，较XML简洁。

移动应用云端和节点的信息通信，无注释

YAML

信息无类型，文本信息比例最高，可读性好

各类系统的配置文件，有注释易读

4.信息提取的一般方法

方法

要求

优点

缺点

完整解析信息的标记形式，再提取关键信息

需要标记解析器，例如：bs4库的标签树遍历

信息解析准确

提取过程繁琐，速度慢

无视标记形式，直接搜索关键信息

对信息的文本查找函数即可

提取过程简洁，速度较快

提取结果准确性与信息内容无关

结合形式解析与搜索方法，提取关键信息

实例：

提取HTML页面中所有URL链接

思路：

1)搜索到所有标签

2)解析标签格式，提取href后的链接内容

import requests

from bs4 import BeautifulSoup

url = 'https://python123.io/ws/demo.html'

r = requests.get(url)

demo = r.text

soup = BeautifulSoup(demo, "html.parser")

for link in soup.find_all("a"):

print(link.get("href"))

5.基于bs4库的HTML内容查找方法

方法

说明

<>.find()

搜索且只返回一个结果，字符串类型，同.find_all()参数

<>.find_parents()

在先辈节点中搜索，返回列表类型，同.find_all()参数

<>.find_parent()

在先辈节点中返回一个结果，字符串类型，同.find_all()参数

<>.find_next_siblings()

在后续平行节点中搜索，返回列表类型，同.find_all()参数

<>.find_next_sibling()

在后续平行节点中返回一个结果，字符串类型，同.find_all()参数

<>.soup.find_previous_siblings()

在前续平行节点中搜索，返回列表类型，同.find_all()参数

<>.soup.find_previous_sibling()

在前续平行节点中返回一个结果，字符串类型，同.find_all()参数

主要方法

<>.find_all(name, attrs, recursive, string, **kwargs)

返回一个列表类型，存储查找的结果。

name：对标签名称的检索字符串，返回列表格式。

对标签的检索：

print(soup.find_all('a'))

print(soup.find_all(['a', 'b']))

对True标签检索，则返回当前soup所有标签

print(soup.find_all(True))

对b开头的标签检索(),需要导入正则表达式库(re库):

import re

print(soup.find_all(re.compile("b")))

attrs：对标签属性值的检索字符串，可标注属性检索。返回列表格式。

检索所有

标签中包含course字符串的所有信息：

print(soup.find_all('p', 'course'))

直接检索变钱属性中id=link1的信息：

print(soup.find_all(id='link1'))

直接检索变钱属性中id=link开头的信息，需要导入正则表达式库(re库)：

print(soup.find_all(id=re.compile('link')))

recursive：是否对子孙全部检索，默认为True。值为False时，只对子元素进行检索。

检索当前soup的子元素是否有：

print(soup.find_all('a', recursive=False))

string：<>…>中字符串区域的检索字符串。返回列表类型。

检索当前soup中所有只包含“Basic Python”字符串的域：

print(soup.find_all(string="Basic Python"))

检索当前soup中所有包含“python”字符串的域，需要导入正则表达式库(re库):

print(soup.find_all(string=re.compile('python')))

(…) 等价于 .find_all(…) 例如：soup(…)等价于soup.find_all(…)

6.实例

“中国大学排名定向爬虫”实例

功能描述

输入：大学排名URL连接

输出：大学排名信息的屏幕输出(排名，大学名称，总分)

技术路线：requests-bs4

定向爬虫：仅对输入URL进行爬取，不扩展爬取。

程序的设计结构

步骤1：从网络上获取大学排名网页内容(定义getHTMLText() )

步骤2：提取网页内容中信息到合适的数据结构(定义fillUnivList() )

步骤3：利用数据结构展示并输出结果(定义printUnivList() )

代码实现

import bs4

import requests

from bs4 import BeautifulSoup

def getHTMLText(url):

try:

r = requests.get(url, timeout=30)

r.raise_for_status()

r.encoding = r.apparent_encoding

return r.text

except requests.HTTPError:

return ""

def fillUnivList(ulist, html):

soup = BeautifulSoup(html, "html.parser")

for tr in soup.find('tbody').children:

if isinstance(tr, bs4.element.Tag):

tds = tr('td')

ulist.append([tds[0].text, tds[1].text, tds[2].text])

def printUnivList(ulist, num):

print("{:^10}\t{:^6}\t{:^10}".format("排名", "学校名称", "总分"))

for i in range(num):

u = ulist[i]

print("{:^10}\t{:^6}\t{:^10}".format(u[0], u[1], u[2]))

def main():

uinfo = []

url = "http://zuihaodaxue.com/zuihaodaxuepaiming2019.html"

html = getHTMLText(url)

fillUnivList(uinfo, html)

printUnivList(uinfo, 20)

if __name__ == '__main__':

main()

代码优化

输出结果中文字符对齐效果不好。

造成问题原因是：

输出的fomat()方法

：

,

引导符号

用于填充的单个字符

右对齐,^居中对齐

槽的设定输出宽度

数字的前卫分隔符适用于整数和浮点数

浮点数小数部分的精度或字符串的最大输出长度

整数类型b，c，d，o，x，X浮点数类型e，E，f，%

当中文字符宽度不够时，采用西文字符填充；中西文字符占用宽度不同。

中文对齐问题的解决：

采用中文字符的空格填充chr(12288)

修改printUnivList()方法：

def printUnivList(ulist, num):

tplt = "{0:^10}\t{1:{3}^10}\t{2:^10}" # 中间那个{3}指拿format()中下标为3(第四个)参数填充空格

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)))