1. 学习Beautifulsoup
关于Beautifulsoup的安装,windows用户可以使用pip进直接安装
Beautiful Soup库是解析、遍历、维护“标签树”的功能库
引入Beautifulsoup库
from bs4 import Beautifulsoup
使用beautifulsoup提取内容
soup = BeautifulSoup('<p>data</p>', 'html.parser')
关于BeautifulSoup库的第二个参数 解析器 有以下几种:
解析器 | 使用方法 | 条件 |
---|---|---|
bs4的HTML解析器 | BeautifulSoup(mk,‘html.parser’) | 安装bs4库 |
lxml的HTML解析器 | BeautifulSoup(mk,‘lxml’) | pip install lxml |
lxml的XML解析器 | BeautifulSoup(mk,‘xml’) | pip install lxml |
html5lib的解析器 | BeautifulSoup(mk,‘html5lib’) | pip install html5lib |
关于BeautifulSoup库的 基本元素 有以下几种:
基本 | 元素说明 |
---|---|
Tag | 标签,最基本的信息组织单元,分别用<>和</>标明开头和结尾 |
Name | 标签的名字,<p>…</p>的名字是’p’,格式:<tag>.name |
Attributes | 标签的属性,字典形式组织,格式:<tag>.attrs |
NavigableString | 标签内非属性字符串,<>…</>中字符串,格式:<tag>.string |
Comment | 标签内字符串的注释部分,一种特殊的Comment类型 |
关于BeautifulSoup库遍历标签树,有下图提供的几种方法:
想了解各个方法的具体用法前点击这里!
为了让HTML界面更友好的显示,BeautifulSoup库提供了prettify()方法:
- .prettify()为HTML文本<>及其内容增加更加’\n’
- .prettify()可用于标签,方法:<tag>.prettify()
1.1. 使用beautifulsoup提取丁香园论坛的回复内容。
丁香园直通点:http://www.dxy.cn/bbs/thread/626626#626626
提取我们所需要的信息前,我们需要对网页进行一定的分析,找出我们所需要的信息所在的地方,前面目标网站,按F12,定位回复内容的位置。
我们所需的评论内容就在td class="postbody"标签下,利用BeautifulSoup获取内容
content = data.find("td", class_="postbody").text
find函数用法:
import requests
from bs4 import BeautifulSoup as bs
def main():
headers = {
"User-Agent": "Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) "
"Chrome/58.0.3029.110 Safari/537.36 SE 2.X MetaSr 1.0"
}
url = 'http://www.dxy.cn/bbs/thread/626626'
request = requests.get(url, headers=headers)
request.encoding = request.apparent_encoding
response = request.content
html = bs(response, 'lxml')
getItem(html)
def getItem(html):
datas = [] # 用来存放获取的用户名和评论
for data in html.find_all("tbody"):
try:
userid = data.find("div", class_="auth").get_text(strip=True)
print(userid)
content = data.find("td", class_="postbody").get_text(strip=True)
print(content)
datas.append((userid,content))
except:
pass
print(datas)
if __name__ == '__main__':
main()
运行结果如图:
2. 学习xpath
XPath即为XML路径语言(XML Path Language),它是一种用来确定XML文档中某部分位置的语言。
在 XPath 中,有七种类型的节点:元素、属性、文本、命名空间、处理指令、注释以及文档(根)节点。XML 文档是被作为节点树来对待的。
2.1 使用xpath提取丁香园论坛的回复内容。
xpath中路径表达式:
Xpath中text(),string(),data()的区别如下:
- text()仅仅返回所指元素的文本内容。
- string()函数会得到所指元素的所有节点文本内容,这些文本讲会被拼接成一个字符串。
- data()大多数时候,data()函数和string()函数通用,而且不建议经常使用data()函数,有数据表明,该函数会影响XPath的性能。
由于步骤与使用BeautifulSoup库类似,故直接上代码:
import requests
from lxml import etree
headers={
'User-Agent': 'Mozilla/5.0 (Windows NT 6.3; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/57.0.2987.110 Safari/537.36',
'referer':"http://www.dxy.cn/bbs/thread/626626#626626" }
url = 'http://www.dxy.cn/bbs/thread/626626#626626'
ht_response = requests.get(url,headers=headers)
ht_response = ht_response.text
tree = etree.HTML(ht_response)
id=tree.xpath('//div[@class="auth"]/a/text()')
content = tree.xpath('//td[@class="postbody"]')
for i,j in zip(id,content):
print(i + " : " + j.xpath('string(.)').strip())
参考资料:https://blog.csdn.net/naonao77/article/details/88129994
参考资料:https://blog.csdn.net/wwq114/article/details/88085875
参考资料:https://www.icourse163.org/learn/BIT-1001870001?tid=1003245012#/learn/announce