Python 爬虫 数据解析

7 篇文章 0 订阅
2 篇文章 0 订阅

https://www.cnblogs.com/w0000/p/15097633.html

数据解析
  • response 方法
    • content 返回二进制响应数据
    • text 返回字符串
    • json() 返回json对象
正则
  • re.S 单行匹配
  • re.M 多行匹配
    img_src_list = re.findall(ex,img_data,re.S)
bs4数据解析
数据解析的原理
  • 1.标签定位
  • 2.提取标签、标签属性中存储的数据值
    ####bs4数据解析的原理:
  • 1.实例化一个BeautifulSoup对象,并将页面源码数据加载到该对象中
  • 2.通过调用BeautifulSoup对象中相关的属性或者方法进行标签定位和数据提取
对象的实例化:
  • 本地html文档数据加载
    • fp = open(‘xx.html’,‘r’,encoding = ‘utf-8’)
    • soup = BeautifulSoup(fp,‘lxml’)
  • 页面源码加载
    • page_text = response.text
    • soup = BeautifulSoup(page_text,‘lxml’)
  • 使用lxml解析器
bs4方法属性
  • soup.tagName 返回第一次出现的tagName标签
    -print(soup.a)\soup.div\soup.p …
  • soup.find(‘div’)
    • 等同于soup.div\print(soup.find(‘div’))
    • 属性定位
      • soup.find(‘div’,class_/id/attr = ‘xxx’)
      • 返回目标标签
  • soup.findall(‘tagName’)
    • 返回符合要求的所有标签(列表)
  • soup.select()
    • 类选择器 soup.select(’.xxx’),(’.'类选择器)
      • id,class, 标签…选择器,(返回列表)
    • 标签选择soup.select(‘xxx’)
    • 层级选择器
      • soup.select(’.xxx > div > l > a’)[0] //>表示的是一个层级
      • soup.select(’.xxx > div a’)[0]空格表示多个层级
  • 获取标签间文本数据
    • soup.a.text/string/get_text()
      • text/get_text() 可以获取一个标签中所有的文本内容(子标签)
      • string 只可以获取标签下直系文本内容
  • 获取标签中的属性值
    • soup.select(’.xxx > div > l > a’)[0][‘href’]
xpath解析
  • 实例化etree对象

    • tree = etree.parse(‘x.html’)//filepath
    • tree = etree.HTML(‘xxx_text’)
  • 标签定位 :

    • tree.xpath(’/html/head/title’)

    • tree.xpath(’/html//title’)

    • tree.xpath(’//title’)

    • 返回Element类型对象列表

    • /:表示的是从根节点进行定位,表示一个层级

    • //: 表示多个层级,可以表示从任意位置开始定位’//div’

  • 属性定位

    • tree.xpath(’//div[@class=“ss”]’)
  • 索引定位

    • tree.xpath(’//div[@class=“ss”]/p[3]’) 索引从1开始
  • 取文本

    • /text() 获取标签中直系的文本内容
    • //text() 标签中非直系文本内容(所有文本内容)
  • 取属性

    • /@attrName ==>img/src
  • tree.xpath(’/html/head/title | //title’) // ‘|’ 将多个结果合并

  • tree.xpath 返回etree类型列表 可对子tree进行xpath解析 './'继承父结果

    • city_name_list = tree.xpath('//div[@class="bottom"]/ul/li')
      for city in city_name_list:
          c = city.xpath('./a/text()')
          #相当于'//div[@class="bottom"]/ul/li/a/text()'
      
      
      

-编码错误解决方法

  • encode(‘iso-8859-1’).decode(‘gbk’)
  • encode(‘iso-8859-1’).decode(‘utf-8’)
  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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