文章目录
一、Xpath
Xpath常用的路径表达式
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。
XPath使用路径表达式在XML文档中选取节点。节点是通过沿着路径选取的。下面列出了最常用的路径表达式:
- nodename 选取此节点的所有子节点。
- ./ 从根节点选取。
- // 从匹配选择的当前节点选择文档中的节点,而不考虑它们的位置。
- . 选取当前节点。
- … 选取当前节点的父节点。
- @ 选取属性。
- /text() 提取标签下面的文本内容
如:
/标签名 逐层提取
/标签名 提取所有名为<>的标签
//标签名[@属性=“属性值”] 提取包含属性为属性值的标签
@属性名 代表取某个属性名的属性值
使用lxml解析
- 导入库:from lxml import etree
- lxml将html文本转成xml对象
- tree = etree.HTML(html)
- 用户名称:tree.xpath(’//div[@class=“auth”]/a/text()’)
- 回复内容:tree.xpath(’//td[@class=“postbody”]’) 因为回复内容中有换行等标签,所以需要用string()来获取数据。
- 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。
实战:爬取丁香园-用户名和回复内容
# 导入库
from lxml import etree
import requests
url = "http://www.dxy.cn/bbs/thread/626626#626626"
# 获取url的html
req = requests.get(url)
html = req.text
# 利用Xpath表达式获取user和content
user = tree.xpath('')
content = tree.xpath('')
# 保存爬取的内容¶
results = []
for i in range(0, len(user)):
# print(user[i].strip()+":"+content[i].xpath('string(.)').strip())
# print("*"*80)
# 因为回复内容中有换行等标签,所以需要用string()来获取数据
results.append(user[i].strip() + ": " + content[i].xpath('string(.)').strip())
# 打印爬取的结果
for i,result in zip(range(0, len(user)),results):
print("user"+ str(i+1) + "-" + result)
print("*"*100)
二、正则表达式 re库
正则表达式是一种通用的字符串表达框架,用来简洁表达一组字符串和判断某字符串的特征归属
正则表达式在文本处理中十分常用,能够同时查找或替换一组字符串和匹配字符串的全部或部分
正则表达式的语法
正则表达式re库的使用
re库的主要功能函数
- .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,
- 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
- flags : 正则表达式使用时的控制标记:
re.I --> re.IGNORECASE : 忽略正则表达式的大小写,[A‐Z]能够匹配小写字符
re.M --> re.MULTILINE : 正则表达式中的^操作符能够将给定字符串的每行当作匹配开始
re.S --> re.DOTALL : 正则表达式中的.操作符能够匹配所有字符,默认匹配除换行外的所有字符
re.search(pattern, string, flags=0)
re.match(pattern, string, flags=0)
re.findall(pattern, string, flags=0)
re.split(pattern, string, maxsplit=0, flags=0)
re.finditer(pattern, string, flags=0)
re.sub(pattern, repl, string, count=0, flags=0)
re库的另一种等价用法
regex = re.compile(pattern, flags=0):将正则表达式的字符串形式编译成正则表达式对象
re库的贪婪匹配和最小匹配
.* Re库默认采用贪婪匹配,即输出匹配最长的子串
*? 只要长度输出可能不同的,都可以通过在操作符后增加?变成最小匹配
实战:淘宝商品比价定向爬虫
import requests
import re
# 提交商品搜索请求,循环获取页面
def getHTMLText(url):
"""
请求获取html,(字符串)
:param url: 爬取网址
:return: 字符串
"""
try:
# 添加头信息,
kv = {
'cookie': 'thw=cn; v=0; t=ab66dffdedcb481f77fd563809639584; cookie2=1f14e41c704ef58f8b66ff509d0d122e; _tb_token_=5e6bed8635536; cna=fGOnFZvieDECAXWIVi96eKju; unb=1864721683; sg=%E4%B8%8B3f; _l_g_=Ug%3D%3D; skt=83871ef3b7a49a0f; cookie1=BqeGegkL%2BLUif2jpoUcc6t6Ogy0RFtJuYXR4VHB7W0A%3D; csg=3f233d33; uc3=vt3=F8dBy3%2F50cpZbAursCI%3D&id2=UondEBnuqeCnfA%3D%3D&nk2=u%2F5wdRaOPk21wDx%2F&lg2=VFC%2FuZ9ayeYq2g%3D%3D; existShop=MTU2MjUyMzkyMw%3D%3D; tracknick=%5Cu4E36%5Cu541B%5Cu4E34%5Cu4E3F%5Cu5929%5Cu4E0B; lgc=%5Cu4E36%5Cu541B%5Cu4E34%5Cu4E3F%5Cu5929%5Cu4E0B; _cc_=WqG3DMC9EA%3D%3D; dnk=%5Cu4E36%5Cu541B%5Cu4E34%5Cu4E3F%5Cu5929%5Cu4E0B; _nk_=%5Cu4E36%5Cu541B%5Cu4E34%5Cu4E3F%5Cu5929%5Cu4E0B; cookie17=UondEBnuqeCnfA%3D%3D; tg=0; enc=2GbbFv3joWCJmxVZNFLPuxUUDA7QTpES2D5NF0D6T1EIvSUqKbx15CNrsn7nR9g%2Fz8gPUYbZEI95bhHG8M9pwA%3D%3D; hng=CN%7Czh-CN%7CCNY%7C156; mt=ci=32_1; alitrackid=www.taobao.com; lastalitrackid=www.taobao.com; swfstore=97213; x=e%3D1%26p%3D*%26s%3D0%26c%3D0%26f%3D0%26g%3D0%26t%3D0%26__ll%3D-1%26_ato%3D0; uc1=cookie16=UtASsssmPlP%2Ff1IHDsDaPRu%2BPw%3D%3D&cookie21=UIHiLt3xThH8t7YQouiW&cookie15=URm48syIIVrSKA%3D%3D&existShop=false&pas=0&cookie14=UoTaGqj%2FcX1yKw%3D%3D&tag=8&lng=zh_CN; JSESSIONID=A502D8EDDCE7B58F15F170380A767027; isg=BMnJJFqj8FrUHowu4yKyNXcd2PXjvpa98f4aQWs-RbDvsunEs2bNGLfj8BYE6lWA; l=cBTDZx2mqxnxDRr0BOCanurza77OSIRYYuPzaNbMi_5dd6T114_OkmrjfF96VjWdO2LB4G2npwJ9-etkZ1QoqpJRWkvP.; whl=-1%260%260%261562528831082',
'user-agent': 'Mozilla/5.0'
}
r = requests.get(url, timeout=30, headers=kv)
# r = requests.get(url, timeout=30)
# print(r.status_code)
r.raise_for_status()
r.encoding = r.apparent_encoding
return r.text
except:
return "爬取失败"
# 对于每个页面,提取商品名称和价格信息(完成正则表达式语句)
def parsePage(glist, html):
'''
解析网页,搜索需要的信息
:param glist: 列表作为存储容器
:param html: 由getHTMLText()得到的
:return: 商品信息的列表
'''
try:
# 使用正则表达式提取信息
#商品价格
price_list = re.findall(r'', html)
#商品名称
name_list = re.findall(r'', html)
for i in range(len(price_list)):
price = eval(price_list[i].split(":")[1]) #eval()在此可以去掉""
name = eval(name_list[i].split(":")[1])
glist.append([price, name])
except:
print("解析失败")
# 将信息输出到屏幕上
def printGoodList(glist):
tplt = "{0:^4}\t{1:^6}\t{2:^10}"
print(tplt.format("序号", "商品价格", "商品名称"))
count = 0
for g in glist:
count = count + 1
print(tplt.format(count, g[0], g[1]))
# 根据页面url的变化寻找规律,构建爬取url
goods_name = "书包" # 搜索商品类型
start_url = "https://s.taobao.com/search?q=" + goods_name
info_list = []
page = 3 # 爬取页面数量
count = 0
for i in range(page):
count += 1
try:
url = start_url + "&s=" + str(44 * i)
html = getHTMLText(url) # 爬取url
parsePage(info_list, html) #解析HTML和爬取内容
print("\r爬取页面当前进度: {:.2f}%".format(count * 100 / page), end="") # 显示进度条
except:
continue
printGoodList(info_list)
三、Beautiful Soup库
Beautiful Soup 是一个HTML/XML 的解析器,主要用于解析和提取 HTML/XML 数据。它基于HTML DOM 的,会载入整个文档,解析整个DOM树,因此时间和内存开销都会大很多,所以性能要低于lxml。BeautifulSoup 用来解析 HTML 比较简单,API非常人性化,支持CSS选择器、Python标准库中的HTML解析器,也支持 lxml 的 XML解析器。虽然说BeautifulSoup4 简单容易比较上手,但是匹配效率还是远远不如正则以及xpath的,一般不推荐使用,推荐正则的使用。
Beautiful Soup库的基本元素
- 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;
from bs4 import BeautifulSoup
import requests # 抓取页面
r = requests.get('https://python123.io/ws/demo.html') # Demo网址
demo = r.text # 抓取的数据
soup = BeautifulSoup(demo, 'html.parser') # 抓取的页面数据;bs4的解析器
1.标签,用soup.< tag>访问获得:
soup.title
2.标签的名字:每个< tag>都有自己的名字,通过soup..name获取,字符串类型
soup.a.name
3。标签的属性,一个< tag>可以有0或多个属性,字典类型,soup.< tag>.attrs
tag = soup.a
print(tag.attrs)
print(tag.attrs['class'])
print(type(tag.attrs))
{'href': 'http://www.icourse163.org/course/BIT-268001', 'class': ['py1'], 'id': 'link1'}
['py1']
<class 'dict'>
4.Attributes:标签内非属性字符串,格式:soup.< tag>.string, NavigableString可以跨越多个层次
print(soup.a.string)
print(type(soup.a.string))**
<class 'bs4.element.NavigableString'>
5.NavigableString:标签内字符串的注释部分,Comment是一种特殊类型(有–>)
print(type(soup.p.string))
<class 'bs4.element.NavigableString'>
6.prettify()为HTML文本<>及其内容增加更加’\n’,有层次感的输出
print(soup.prettify())
7.bs4库将任何HTML输入都变成utf‐8编码
newsoup = BeautifulSoup('<a>中文</a>', 'html.parser')
print(newsoup.prettify())
基于bs4库的HTML内容遍历方法
- 标签树的下行遍历
- .contents 子节点的列表,将所有儿子节点存入列表
- .children 子节点的迭代类型,与.contents类似,用于循环遍历儿子节点
- .descendants 子孙节点的迭代类型,包含所有子孙节点,用于循环遍历
- 标签树的上行遍历
- .parent 节点的父亲标签
- .parents 节点先辈标签的迭代类型,用于循环遍历先辈节点
- 标签树的平行遍历
- .next_sibling 返回按照HTML文本顺序的下一个平行节点标签
- .previous_sibling 返回按照HTML文本顺序的上一个平行节点标签
- .next_siblings 迭代类型,返回按照HTML文本顺序的后续所有平行节点标签
- .previous_siblings 迭代类型,返回按照HTML文本顺序的前续所有平行节点标签
标签树的下行遍历
import requests
from bs4 import BeautifulSoup
r=requests.get('http://python123.io/ws/demo.html')
demo=r.text
soup=BeautifulSoup(demo,'html.parser')
for child in soup.body.children:#遍历儿子节点
print(child)
for child in soup.body.descendants:#遍历子孙节点
print(child)
标签树的上行遍历
for parent in soup.a.parents: # 遍历先辈的信息
if parent is None:
print(parent)
else:
print(parent.name)
标签树的平行遍历
标签树的平行遍历是有条件的,平行遍历发生在同一个父亲节点的各节点之间,标签中的内容也构成了节点
for sibling in soup.a.next_siblings:#遍历后续节点
print(sibling)
for sibling in soup.a.previous_sibling:#遍历之前的节点
print(sibling)
基于bs4库的HTML内容的查找方法
-
find_all(name, attrs, recursive, string, **kwargs)
- name : 对标签名称的检索字符串
- attrs: 对标签属性值的检索字符串,可标注属性检索
- recursive: 是否对子孙全部检索,默认True
- string: <>…</>中字符串区域的检索字符串
-
find() 搜索且只返回一个结果,同.find_all()参数
-
find_parents() 在先辈节点中搜索,返回列表类型,同.find_all()参数
-
find_parent() 在先辈节点中返回一个结果,同.find()参数
-
find_next_siblings() 在后续平行节点中搜索,返回列表类型,同.find_all()参数
-
find_next_sibling() 在后续平行节点中返回一个结果,同.find()参数
-
find_previous_siblings() 在前序平行节点中搜索,返回列表类型,同.find_all()参数
-
find_previous_sibling() 在前序平行节点中返回一个结果,同.find()参数
import requests
from bs4 import BeautifulSoup
r = requests.get('http://python123.io/ws/demo.html')
demo = r.text
soup = BeautifulSoup(demo,'html.parser')
soup.find_all('a')
soup.find_all("p","course")
实战:中国大学排名定向爬取
import requests
from bs4 import BeautifulSoup
import bs4
# 从网络上获取大学排名网页内容
def getHTMLText(url):
try:
r = requests.get(url, timeout=30)
r.raise_for_status()
r.encoding = r.apparent_encoding
return r.text
except:
return ""
# 提取网页内容中信息到合适的数据结构
def fillUnivList(ulist, html):
soup = BeautifulSoup(html, "html.parser")
for tr in soup.find('tbody').children:
if isinstance(tr, bs4.element.Tag):
tds = tr('td')
# 根据实际提取需要的内容,
ulist.append([tds[0].string, tds[1].string, tds[3].string]) 、
# 对中英文混排输出问题进行优化:对format(),设定宽度和添加参数chr(12288)
def printUnivList(ulist, num=20):
tplt = "{0:^10}\t{1:{3}^10}\t{2:^10}"
print(tplt.format('排名', '学校名称', '总分', chr(12288)))
for i in range(num):
u = ulist[i]
print(tplt.format(u[0], u[1], u[2], chr(12288)))
u_info = [] # 存储爬取结果的容器
url = 'http://www.zuihaodaxue.cn/zuihaodaxuepaiming2019.html'
html = getHTMLText(url)
fillUnivList(u_info, html)
printUnivList(u_info, num=30)