Python 爬虫 数据解析

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’)