html网页信息提取页面设计,网页信息提取

Beautifulsoup库简介

在介绍使用css选择器之前，我们先来了解一下要与其配合使用的Beautifulsoup库

Beautiful Soup 是一个可以从HTML或XML文件中提取数据的Python库.它能够通过你喜欢的转换器实现惯用的文档导航,查找,修改文档的方式.Beautiful Soup会帮你节省数小时甚至数天的工作时间.

安装

Beautifulsoup库的安装和requests库的安装类似，只要在命令行中用pip命令就可以了

$ pip install beautifulsoup4

Beautifulsoup库的使用

还是以百度首页为例，我们先用requests库的get方法获得页面

import requests

# 从bs4库中导入Beautifulsoup类

from bs4 import BeautifulSoup

url = "http://www.baidu.com"

r = requests.get(url)

r.encoding = 'utf-8'

# 用一个变量来保存爬到的页面

html = r.text

# 使用‘lxml HTML’作为解释器解析HTML

soup = BeautifulSoup(html, 'lxml')

# 格式化输出

print(soup.prettify())

# result

#

#

#

#

#

#

#

# 百度一下，你就知道

#

#

#

#

#

#

# ... ...

可以看到，用Beautifulsoup库解析之后的HTML被转换成了标签树，标签树的每一个节点都是一个python对象，因此我们就可以很方便地对标签树进行操作。

CSS选择器

CSS选择器是一种单独的文档搜索语法。Beautiful Soup支持大部分的CSS选择器，Tag和Beautifulsoup对象的.select()方法可以通过传入字符串参数找到对应的标签。

例如我们要找title标签:

title = soup.select("title")

print(title)

# [

百度一下，你就知道]

也可以通过标签逐层查找：

title = soup.select('html head title')

print(title)

# [

百度一下，你就知道]

直接子标签查找：

a = soup.select('p > a')

print(a)

'''

[关于百度,

About Baidu,

使用百度前必读,

意见反馈]

'''

通过类名和id查找：

# 查找class='lb'的标签

print(soup.select('.lb'))

# 查找id='cp'的标签

print(soup.select('#cp'))

'''

[登录]

[

©2017 Baidu 使用百度前必读 意见反馈 京ICP证030173号

]

'''

除了以上的一些基本的查找方法外，还有组合查找、属性查找、语言设置查找等，可以参看官方文档中关于选择器的一节

正则表达式

正则表达式(Regular Expression)是一种文本模式，包括普通字符(例如，a 到 z 之间的字母)和特殊字符(称为"元字符")。

正则表达式使用单个字符串来描述、匹配一系列匹配某个句法规则的字符串。

简单来说，正则表达式是用来简洁表达一组字符串的表达式。

举个简单的例子，比如你要匹配字符串中的'PY''PYY''PYYYY'......'PYYYYYYYY...'，它们对应的正则表达式就是'PY+'

总的来说，正则表达式是

通用的字符串表达框架

简洁表达一组字符串的表达式

针对字符串表达’简洁‘和’特征’思想的工具

判断某字符串的特征归属

正则表达式描述了一种字符串匹配的模式(pattern)，可以用来检查一个串是否含有某种子串、将匹配的子串替换或者从某个串中取出符合某个条件的子串等。

正则表达式由字符和操作符构成

常用的操作符

操作符

说明

.

表示任何单个字符

[]

字符集，对单个字符给出取值范围

[^]

非字符集，对单个字符给出排除范围

*

前一个字符的0次或无限次扩展

+

前一个字符的1次或无限次扩展

?

前一个字符的0次或1次扩展

|

左右表达式的任意一个

{m}

扩展前一个字符m次

{m,n}

扩展前一个字符m次到n次(包含)

^

匹配字符串开始

$

匹配字符串结尾

()

分组标记，内部只能使用|

\d

数字，等价于[0-9]

\w

单词字符，等价于[A-Zz-z0-9_]

一些实例

正则表达式

对应字符串

P(Y|YT|YTH|YTHO)?N

'PN', 'PYN', 'PYTN', 'PYTHN', 'PYTHON'

PYTHON+

'PYTHON', 'PYTHONN',......,'PYTHONNN......'

PYTH[ON]

'PYTHO', 'PYTHN'

PYTH{1,3}ON

'PYTHON', 'PYTHHON', 'PYTHHHON'

^[A-Za-z]+$

匹配由26个字母组成的字符串

^-?\d+$

匹配整数字符串

[1-9]\d{5}

中国境内邮政编码

[\u4e00-\u9fa5]

匹配中文字符

Re库

re库是python中用于正则表达式匹配操作的标准库，不需要安装，可以直接通过import re导入

re库采用的是原生字符串类型来表示正则表达式，原生字符串特点就是字符串中的‘\’不被解释为转义符，表示原生字符串只需要在字符串前面加上r就可以了

re库的主要功能函数：

函数

说明

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.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.findall()

搜索字符串，以列表类型返回全部能匹配的子串

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.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.sub()

在一个字符串中替换所有匹配正则表达式的子串，返回替换后的字符串

re.match(pattern, string, flags=0)

∙ pattern : 正则表达式的字符串或原生字符串表示

∙ string : 待匹配字符串

∙ flags : 正则表达式使用时的控制标记

match()和search()的区别在于，match方法是从字符串的起始位置开始匹配，如果有一个字符不同便结束匹配，返回None；而search方法则是搜索整个字符串匹配符合规则的子串，以下是两种方法的比较

import re

re.search(r'b', 'abcba') # <_sre.sre_match object span="(1," match="b">

re.match(r'b', 'abcba') # no match

re.search(r'a', 'abcba') # <_sre.sre_match object span="(0," match="a">

re.match(r'a', 'abcba') # <_sre.sre_match object span="(0," match="a">

如果匹配成功，返回的是一个match对象，其中包含很多信息

match对象的属性和方法

属性

说明

方法

说明

.string

待匹配的文本

.group(0)

获得匹配后的字符串

.re

匹配时使用的patter对象(正则表达式)

.start()

匹配字符串在原始字符串的开始位置

.pos

正则表达式搜索文本的开始位置

.end()

匹配字符串在原始字符串的结束位置

.endpos

正则表达式搜索文本的结束位置

.span()

返回(.start(), .end())

re.findall(pattern, string, flags=0)

findall方法返回的是所有符合匹配规则的字符串组成的列表，顺序是根据字符串从左到右

re.split(pattern, string, maxsplit=0, flags=0)

根据pattern的出现拆分字符串。如果在pattern中使用捕获括号，则模式中所有组的文本也会作为结果列表的一部分返回。maxsplit表示最大分割数，如果maxsplit不为零，则至多出现maxsplit分裂，并且字符串的其余部分作为列表的最后一个元素返回。

import re

re.split(r'b', 'abcba') # ['a', 'c', 'a']

re.split(r'(b)', 'abcba') # ['a', 'b', 'c', 'b', 'a']

re.split(r'b', 'abcba', 1) # ['a', 'cba']

re.split(r'(b)', 'abcba', 1) # ['a', 'b', 'cba']

re.finditer(pattern, string, flags=0)

与findall方法作用相同，只不过是以迭代器的形式返回

re.sub(pattern, repl, string, count=0, flags=0)

· repl：替换匹配字符串的字符串

∙ count ： 匹配的最大替换次数,为0时替换全部

将string中最左侧非重叠出现的pattern替换为repl，返回所获得的字符串。如果未找到该模式，则字符串将保持不变。repl 可以是一个字符串或一个函数

import re

re.sub(r'b','d','abcba') # 'adcda'

re.sub(r'b','d','abcba', 1) # 'adcba'

flags

可以看到之前所以的函数中都有一个参数flags，它是用来配置正则表达式的匹配模式的。

取值可以使用按位或运算符|表示同时生效，比如re.I | re.M。(来自静觅)

re.I(全拼：IGNORECASE): 忽略大小写(括号内是完整写法，下同)

re.M(全拼：MULTILINE): 多行模式，改变’^’和’$’的行为

re.S(全拼：DOTALL): 点任意匹配模式，改变’.’的行为

re.L(全拼：LOCALE): 使预定字符类 \w \W \b \B \s \S 取决于当前区域设定

re.U(全拼：UNICODE): 使预定字符类 \w \W \b \B \s \S \d \D 取决于unicode定义的字符属性

re.X(全拼：VERBOSE): 详细模式。这个模式下正则表达式可以是多行，忽略空白字符，并可以加入注释。

Chrome开发者工具

如何调出Chrome开发者工具

按F12打开

单击右键，在菜单中点击“检查”打开

常用面板模块

元素(Elements)

网络(Network)

这里只介绍在写爬虫时可能会用到的两个功能模块，如果想了解其他的可以在网上找详细的教程

元素(Element)

单击Element标签页，页面左边显示的是HTML的结构，右边是选中元素的全部属性

鼠标移到某个元素上，页面视图上对应的地方会变成蓝色背景，可以用于定位元素对应的源代码。

选中一个元素，在底部可以看到该元素在HTML结构中的位置关系

右键一个元素可以对其进行修改，菜单从上到下依次是

Add attribute : 为该元素添加属性

Edit attribute：修改该元素的属性

Delete element：删除元素

Copy：复制元素的一些信息，移到上面会显示二级菜单

... ...

写某个元素的CSS选择器的时候，可以右键该元素，copy selector(有些版本叫CSS path或者CSS selector)

右侧显示的是选中元素的CSS属性，在Styles可以对CSS属性进行修改，删除和添加，仅对当前显示的页面生效，不会影响到源代码。

网络(Network)

Network是一个监控当前网页所有的http请求的面版，它主体部分展示的是每个http请求，每个字段表示着该请求的不同属性和状态

name：请求的文件名称

status：状态代码

type：文件类型

initiator：请求源

time：请求的时间

waterfall：请求发送过程的状态轴

当你按F5刷新页面的时候，可以看到最中间的的时间轴上花花绿绿的一条条线显示出来。这个记录的是页面在加载过程中所有的请求发出的时间和过程，你可以用鼠标选择一段时间，来观察这一段时间发出的请求内容

单击Name一列任意一个请求的文件名，则会跳出这个请求对应的参数header(表头信息、返回信息、请求基本状态等)，Preview(返回的格式化转移后文本信息)、response(转移之前的原始信息)、Cookies(该请求带的cookies)、Timing(请求时间变化)。这些东西可以用来分析请求，在讲反爬虫的时候我们会深入介绍。