第十二节段 -- 爬虫03：【数据提取（pyquery；jsonpath）】

最新推荐文章于 2023-03-19 21:56:27 发布
最新推荐文章于 2023-03-19 21:56:27 发布
阅读量568 收藏
点赞数
分类专栏： python学习 爬虫
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_42375099/article/details/97169994
版权

文章目录

1. pyquery

1.1. 介绍 & 安装

pip install pyquery

1.2. 使用方式

1. 初始化方式

  • 字符串
from pyquery import PyQuery as pq
doc = pq(str)
print(doc(tagname))
  • url
from pyquery import PyQuery as pq
doc = pq(url='http://www.baidu.com')
print(doc('title'))
  • 文件
from pyquery import PyQuery as pq
doc = pq(filename='demo.html')
print(doc(tagname))

2. 选择节点

  • 获取当前节点
from pyquery import PyQuery as pq
doc = pq(filename='demo.html')
doc('#main #top')
  • 获取子节点
    • 在doc中一层层写出来
    • 获取到父标签后使用children方法
from pyquery import PyQuery as pq
doc = pq(filename='demo.html')
doc('#main #top').children()
  • 获取父节点
    • 获取到当前节点后使用parent方法
  • 获取兄弟节点
    • 获取到当前节点后使用siblings方法

3. 获取属性

from pyquery import PyQuery as pq
doc = pq(filename='demo.html')
a = doc('#main #top')
print(a.attrib['href'])  #HTMLElement
print(a.attr('href')) #PyQuery

4. 获取内容

from pyquery import PyQuery as pq
doc = pq(filename='demo.html')
div = doc('#main #top')
print(a.html())
print(a.text())

5. 样例

from pyquery import PyQuery as pq
# 1.可加载一段HTML字符串，或一个HTML文件，或是一个url地址，
d=pq("<html><title>hello</title></html>")
d=pq(filename=path_to_html_file)
d=pq(url='http://www.baidu.com')注意：此处url似乎必须写全
 
# 2.html()和text() ——获取相应的HTML块或文本块，
p=pq("<head><title>hello</title></head>")
p('head').html()#返回<title>hello</title>
p('head').text()#返回hello
 
# 3.根据HTML标签来获取元素，
d=pq('<div><p>test 1</p><p>test 2</p></div>')
d('p')#返回[<p>,<p>]
print d('p')#返回<p>test 1</p><p>test 2</p>
print d('p').html()#返回test 1
# 注意：当获取到的元素不只一个时，html()方法只返回首个元素的相应内容块
 
# 4.eq(index) ——根据给定的索引号得到指定元素。接上例，若想得到第二个p标签内的内容，则可以：
print d('p').eq(1).html() #返回test 2
 
# 5.filter() ——根据类名、id名得到指定元素，例：
d=pq("<div><p id='1'>test 1</p><p class='2'>test 2</p></div>")
d('p').filter('#1') #返回[<p#1>]
d('p').filter('.2') #返回[<p.2>]
 
# 6.find() ——查找嵌套元素，例：
d=pq("<div><p id='1'>test 1</p><p class='2'>test 2</p></div>")
d('div').find('p')#返回[<p#1>, <p.2>]
d('div').find('p').eq(0)#返回[<p#1>]
 
#7.直接根据类名、id名获取元素，例：
d=pq("<div><p id='1'>test 1</p><p class='2'>test 2</p></div>")
d('#1').html()#返回test 1
d('.2').html()#返回test 2
 
# 8.获取属性值，例：
d=pq("<p id='my_id'><a href='http://hello.com'>hello</a></p>")
d('a').attr('href')#返回http://hello.com
d('p').attr('id')#返回my_id
 
# 9.修改属性值，例：
d('a').attr('href', 'http://baidu.com')把href属性修改为了baidu
 
# 10.addClass(value) ——为元素添加类，例：
d=pq('<div></div>')
d.addClass('my_class')#返回[<div.my_class>]
 
# 11.hasClass(name) #返回判断元素是否包含给定的类，例：
d=pq("<div class='my_class'></div>")
d.hasClass('my_class')#返回True
 
# 12.children(selector=None) ——获取子元素，例：
d=pq("<span><p id='1'>hello</p><p id='2'>world</p></span>")
d.children()#返回[<p#1>, <p#2>]
d.children('#2')#返回[<p#2>]
 
# 13.parents(selector=None)——获取父元素，例：
d=pq("<span><p id='1'>hello</p><p id='2'>world</p></span>")
d('p').parents()#返回[<span>]
d('#1').parents('span')#返回[<span>]
d('#1').parents('p')#返回[]
 
# 14.clone() ——返回一个节点的拷贝
 
#15.empty() ——移除节点内容
 
# 16.nextAll(selector=None) ——返回后面全部的元素块，例：
d=pq("<p id='1'>hello</p><p id='2'>world</p><img scr='' />")
d('p:first').nextAll()#返回[<p#2>, <img>]
d('p:last').nextAll()#返回[<img>]
 
# 17.not_(selector) ——返回不匹配选择器的元素，例：
d=pq("<p id='1'>test 1</p><p id='2'>test 2</p>")
d('p').not_('#2')#返回[<p#1>]
  • 示例02
from fake_useragent import UserAgent
import requests
from pyquery import PyQuery as pq

url = 'https://www.xicidaili.com/nn/'
headers = {'User-Agent': UserAgent().chrome}
resp = requests.get(url, headers=headers)
# 初始化pyquery对象
doc = pq(resp.text)
# 提取数据

trs = doc('table tr')
for i in range(1,len(trs)):
    ip = trs.eq(i).find('td').eq(1).text()
    port = trs.eq(i).find('td').eq(2).text()
    type = trs.eq(i).find('td').eq(5).text()
    print('{}://{}:{}'.format(type, ip, port))

2. JosnPath

2.1. 简介

  1. JSON 与 JsonPATH：

    JSON(JavaScript Object Notation) 是一种轻量级的数据交换格式，它使得人们很容易的进行阅读和编写。同时也方便了机器进行解析和生成。适用于进行数据交互的场景，比如网站前台与后台之间的数据交互。

    JSON 和 XML 的比较可谓不相上下。

    Python 中自带了JSON模块，直接import json就可以使用了。

    官方文档：http://docs.python.org/library/json.html

    Json 在线解析网站：http://www.json.cn/#

  2. JSON：

    json 简单说就是 javascript 中的对象和数组，所以这两种结构就是对象和数组两种结构，通过这两种结构可以表示各种复杂的结构：

    1. 对象：对象在js中表示为{ }括起来的内容，数据结构为 { key：value, key：value, … }的键值对的结构，在面向对象的语言中，key为对象的属性，value为对应的属性值，所以很容易理解，取值方法为 对象.key 获取属性值，这个属性值的类型可以是数字、字符串、数组、对象这几种
    2. 数组：数组在js中是中括号[ ]括起来的内容，数据结构为 [“Python”, “javascript”, “C++”, …]，取值方式和所有语言中一样，使用索引获取，字段值的类型可以是 数字、字符串、数组、对象几种

2.2. Python中的json模块

  • json模块提供了四个功能：dumps、dump、loads、load，用于字符串 和 python数据类型间进行转换

1. json.loads()

  • 把Json格式字符串解码转换成Python对象 从json到python的类型转化对照如下：
import json

strList = '[1, 2, 3, 4]'
strDict = '{"city": "北京", "name": "范爷"}'
json.loads(strList) 
# [1, 2, 3, 4]
json.loads(strDict) # json数据自动按Unicode存储
# {u'city': u'\u5317\u4eac', u'name': u'\u5927\u732b'}

2. json.dumps()

  • 实现python类型转化为json字符串，返回一个str对象 把一个Python对象编码转换成Json字符串

    从python原始类型向json类型的转化对照如下：

# json_dumps.py

import json

listStr = [1, 2, 3, 4]
tupleStr = (1, 2, 3, 4)
dictStr = {"city": "北京", "name": "范爷"}

json.dumps(listStr)
# '[1, 2, 3, 4]'
json.dumps(tupleStr)
# '[1, 2, 3, 4]'

# 注意：json.dumps() 序列化时默认使用的ascii编码
# 添加参数 ensure_ascii=False 禁用ascii编码，按utf-8编码

json.dumps(dictStr) 
# '{"city": "\\u5317\\u4eac", "name": "\\u5927\\u5218"}'

print(json.dumps(dictStr, ensure_ascii=False))
# {"city": "北京", "name": "范爷"}

3. json.dump()

  • 将Python内置类型序列化为json对象后写入文件
import json

listStr = [{"city": "北京"}, {"name": "范爷"}]
json.dump(listStr, open("listStr.json","w"), ensure_ascii=False)

dictStr = {"city": "北京", "name": "范爷"}
json.dump(dictStr, open("dictStr.json","w"), ensure_ascii=False)

4. json.load()

  • 读取文件中json形式的字符串元素 转化成python类型
import json

strList = json.load(open("listStr.json"))
print(strList)

# [{u'city': u'\u5317\u4eac'}, {u'name': u'\u5927\u5218'}]

strDict = json.load(open("dictStr.json"))
print(strDict)
# {u'city': u'\u5317\u4eac', u'name': u'\u5927\u5218'}

2.3. JsonPath 库

JsonPath 是一种信息抽取类库，是从JSON文档中抽取指定信息的工具，提供多种语言实现版本，包括：Javascript, Python， PHP 和 Java。

JsonPath 对于 JSON 来说，相当于 XPATH 对于 XML。

官方文档：http://goessner.net/articles/JsonPath

2.4. JsonPath与XPath语法对比

  • Json结构清晰，可读性高，复杂度低，非常容易匹配，下表中对应了XPath的用法
XPathJSONPath描述
/$根节点
.@现行节点
/.or[]取子节点
…n/a取父节点，Jsonpath未支持
//…就是不管位置，选择所有符合条件的条件
**匹配所有元素节点
@n/a根据属性访问，Json不支持，因为Json是个Key-value递归结构，不需要。
[][]迭代器标示（可以在里边做简单的迭代操作，如数组下标，根据内容选值等）
[,]
[]?()支持过滤操作.
n/a()支持表达式计算
()n/a分组，JsonPath不支持

2.5. 示例

我们以拉勾网城市JSON文件 http://www.lagou.com/lbs/getAllCitySearchLabels.json 为例，获取所有城市。

from urllib.request import urlopen
from urllib.request import Request
import jsonpath
import json

url = 'http://www.lagou.com/lbs/getAllCitySearchLabels.json'
request =Request(url)
response = urlopen(request)
html = response.read()
# 把json格式字符串转换成python对象
jsonobj = json.loads(html)
# 从根节点开始，匹配name节点
citylist = jsonpath.jsonpath(jsonobj,'$..name')
print(citylist)
print(type(citylist))
fp = open('city.json','w')
content = json.dumps(citylist, ensure_ascii=False)
print(content)
fp.write(content)
fp.close()

2.6. 注意事项

  1. json.loads() 是把 Json格式字符串解码转换成Python对象，如果在 json.loads 的时候出错，要注意被解码的Json字符的编码。
    如果传入的字符串的编码不是UTF-8的话，需要指定字符编码的参数 encoding

    dataDict = json.loads(jsonStrGBK);

  2. dataJsonStr 是 JSON 字符串，假设其编码本身是非 UTF-8 的话而是 GBK 的，那么上述代码会导致出错，改为对应的：

    dataDict = json.loads(jsonStrGBK, encoding="GBK");

  3. 如果 dataJsonStr 通过 encoding 指定了合适的编码，但是其中又包含了其他编码的字符，则需要先去将 dataJsonSt r转换为 Unicode，然后再指定编码格式调用json.loads()

    dataJsonStrUni = dataJsonStr.decode("GB2312"); 
dataDict = json.loads(dataJsonStrUni, encoding="GB2312");

  4. 字符串编码转换：

    这是中国程序员最苦逼的地方，什么乱码之类的几乎都是由汉字引起的

    其实编码问题很好搞定，只要记住一点：

    任何平台的任何编码 都能和 Unicode 互相转换

    UTF-8 与 GBK 互相转换，那就先把UTF-8转换成Unicode，再从Unicode转换成GBK，反之同理。

    # 这是一个 UTF-8 编码的字符串
utf8Str = "你好地球"

# 1. 将 UTF-8 编码的字符串 转换成 Unicode 编码
unicodeStr = utf8Str.decode("UTF-8")

# 2. 再将 Unicode 编码格式字符串 转换成 GBK 编码
gbkData = unicodeStr.encode("GBK")

# 1. 再将 GBK 编码格式字符串 转化成 Unicode
unicodeStr = gbkData.decode("gbk")

# 2. 再将 Unicode 编码格式字符串转换成 UTF-8
utf8Str = unicodeStr.encode("UTF-8")

    decode的作用是将其他编码的字符串转换成 Unicode 编码

    encode的作用是将 Unicode 编码转换成其他编码的字符串

    一句话：UTF-8是对Unicode字符集进行编码的一种编码方式

亚呦u椰
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
python爬虫之数据提取：pyquery和jsonpath的使用
sjjsaaaa的博客
12-21 483
pyquery 对CSS选择器与Jquery有所了解的话，pyquery可以会适合你。 安装：pip install pyquery 使用方法 初始化字符串： from pyquery import PyQuery as pq doc = pq(str) print(doc(tagname)) url: from pyquery import PyQuery as pq doc = pq(url = 'http://baidu.com') print(doc('title')) 文件： from pyq
python3解析库pyquery的深入讲解
12-25
前言 pyquery是一个类似jquery的python库，它实现能够在xml文档中进行jQuery查询，pyquery使用lxml解析器进行快速在xml和html文档上操作，它提供了和jQuery类似的语法来解析HTML文档，支持CSS选择器，使用非常方便 1、pyquery安装 pip方式安装： $pip install pyquery #它依赖cssselect和lxml包 pyquery==1.4.0 - cssselect [required: >0.7.9, installed: 1.0.3] #CSS选择器并将它转换为XPath表达式 - lxml [required: >
PyQuery详解
zhang__init__的博客
02-25 376
一:安装pyquerypip install pyquery二:初始化1,字符串初始化html=''' &lt;div&gt; &lt;ul&gt;   &lt;li class="item-0"&gt;first item&lt;/li&gt;   &lt;li class="item-1"&gt;&lt;a href="link2.html"&a
Python爬虫项目PyQuery全网最全介绍
程序之雅
03-19 2980
PyQuery是一个Python库，它提供了一种用于解析HTML、XML和JSON文档的非常直观和方便的方式。它基于jQuery库的选择器语法，并支持类似于XPath的表达式。
python Pyquery库详细介绍，爬虫必备
03-11
python pyquery 库是学习爬虫必备的一个库，它解析强大，有超高的应用场景，可以帮你快速解析网页，找到你想找到的内容
python --- web-：python-爬虫-web-数据分析
02-18
然后，利用requests库发送网络请求，获得HTML响应，再通过BeautifulSoup或lxml库解析页面结构，提取数据。此外，还要掌握处理反爬虫策略，如设置User-Agent、处理Cookie、模拟登录等技巧。 Web数据分析是Python的另...
python网络爬虫零基础入门-思维导图合集，01-爬虫基础、02-requests模块、03-数据提取、04-selenium
03-30
网络爬虫,也称为网页爬虫,是一种用于抓取和提取网络信息的程序。它可以模仿人类在网络上浏览和查找信息的行为,自动地检索、提取和存储网络上的信息。本文将为读者介绍如何使用Python语言进行网络爬虫,从零基础开始...
Python网络爬虫教程 数据采集 信息提取课程 09-实例3-股票数据定向爬虫（共23页）.pptx
11-13
【课程简介】 本课程适合所有需要弥补python网络爬虫的同学，课件内容制作精细，由浅入深，适合入门或进行知识回顾。 本章为该课程的其中一个章节 ...12-实例4-股票数据定向Scrapy爬虫（共23页）.pptx
python-爬虫-web-数据分析.zip
最新发布
05-10
python-爬虫-web-数据分析.zippython-爬虫-web-数据分析.zippython-爬虫-web-数据分析.zippython-爬虫-web-数据分析.zippython-爬虫-web-数据分析.zippython-爬虫-web-数据分析.zippython-爬虫-web-数据分析....
Python-Scrapy：热销手机爬虫数据分析
06-27
热销手机——Python爬虫数据分析 [环境] 视窗 蟒蛇3.8 [scrapy-spider] scrapy项目1：taobaoSpider scrapy项目2：jdSpider [数据资源] 来源：csv文件存储 [数据分析] 任务*.py [样本] 效果展示：task*.png
python pyquery 进行html解析
hi_chen_xingwang的博客
09-27 3413
在使用python进行网页解析的时候,利用好一些第三方开源框架能够有效快速的对网页进行解析,提取去我们所需要的信息 python本身自带的htmlparser 太过笨重,在解析中有诸多不便,在这利用pyquery 进行html 进行解析
千万不要被pyquery的方便所蒙蔽了双眼-----新坑
滇沛流漓的博客
12-04 1099
pyquery竟然无法像jquery一样很方便的去筛选dom节点。经过一番排查发现：对于class类名，pyquery依然可以方便的获取节点，但是当使用如：a，div，img...等原生标签时，无论如何都获取不到节点。 其实问题就出在 pyquery默认解析后的文档是xmlns格式，而这种格式就是造成无法获取原生标签的原因。 doc = pq(browser.page_source...
数据提取-pyquery
qq_41386300的博客
11-01 177
1.pyquery 1.1 介绍 官网：https://pythonhosted.org/pyquery/ 1.2 安装 pip install pyquery 1.3 使用 1.3.1 初始化 字符串 from pyquery import PyQuery as pq doc=pq(str) print(doc(tagname)) url from pyquery impo...
python爬虫神器PyQuery的使用方法
hayaqi0504的博客
06-06 1128
python爬虫神器PyQuery的使用方法 2016/05/27 · 工具与框架 · PyQuery, 爬虫 分享到：3 原文出处： xiaomayi2012    前言 你是否觉得 XPath 的用法多少有点晦涩难记呢？ 你是否觉得 BeautifulSoup 的语法多少有些悭吝难懂呢？ 你是否甚至还在苦苦研究正则表达式却因为少些了
使用python解析Json字符串-获取Json字符串关键字
热门推荐
快乐工作,认真生活
05-26 5万+
import json data = { "statusCode": 200, "data": { "totoal": "5", "height": "5.97", "weight": "10.30", "age": "11" }, "msg": "成功" } #dumps:把字典转换为json字符串 s = json.dumps(data) print s #loa
爬取豆瓣音乐人页面歌曲
weixin_30706507的博客
02-17 107
[代码] 获取豆瓣音乐人主页歌曲列表json片段 songs = (List) CM.get("CACHE_FM", "CACHE_FM_KEY_" uid); if (songs != null) return JSON.toJSONString(songs); u_index = MyHttpClient.doGet(String.format(douban_ui http://w...
PyQuery用法详解
一只小鹰
05-25 1万+
PyQuery是强大而又灵活的网页解析库，如果你觉得正则写起来太麻烦，如果你觉得BeautifulSoup语法太难记，如果你熟悉jQuery的语法 那么，PyQuery就是你绝佳的选择。 一、初始化方式，有三种，可以传入字符串，传入url，传入文件。 字符串初始化 html = ''' &lt;div&gt; &lt;ul&gt; &lt;li class="item-...
获取Json数据某节点的值
weixin_33785972的博客
11-03 1222
时间匆忙，直接上代码，回家还得做清蒸鱼呢！ #region 获取Json字符串某节点的值 /// &lt;summary&gt; /// 获取Json字符串某节点的值 /// &lt;/summary&gt; public static string GetJsonValue(string jsonStr, stri...
用Python做爬虫时，提取Excel数据
weixin_44439675的博客
07-15 4099
最近做爬虫时，需要根据excel里的数据进行爬取，在此记录一下excel里的数据如何导入，代码如下： import xlrd data = xlrd.open_workbook(r'此处为excel文件.xlsx') #默认当前路径 # 获取所有的sheet sheet_name = data.sheet_names()[0] # 根据sheet索引或者名称获取sheet内容 sheet ...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值