文章目录
数据解析分类
- 正则
- bs4
- xpath(***)
数据解析原理
- 解析的局部文本内容都会在标签之间或者标签对应属性中进行存储
- 进行指定标签定位
- 标签或标签对应属性中存储的数据值进行提取
正则匹配
先学习正则表达式
import re
// \w 匹配数字、字母、下划线
print(re.findall('\w','abc123_*()-=')) # findall是从左到右匹配字符串
// ['a', 'b', 'c', '1', '2', '3', '_']
// \W 匹配非数字字母下划线
print(re.findall('\W','aAbc123_*()-='))
//['*', '(', ')', '-', '=']
// \s 匹配任意空白字符,等价于\t\n\r\f
print(re.findall('\s','aAb\tc\r123_*()-= '))
//['\t', '\r', ' ']
// \S 匹配任意非空字符
print(re.findall('\S','aAb\tc\r123_*()-= '))
//['a', 'A', 'b', 'c', '1', '2', '3', '_', '*', '(', ')', '-', '=']
// \d 匹配任意数字,等价于[0-9]
print(re.findall('\d','aAb\tc\r123_*()-= '))
//['1', '2', '3']
// \D 匹配任意非数字
print(re.findall('\D','aAb\tc\r123_*()-= '))
//['a', 'A', 'b', '\t', 'c', '\r', '_', '*', '(', ')', '-', '=', ' ']
// \A 只匹配字符串的开头
print(re.findall('\Ashyshy','shyshyis is 20'))
//['shyshy']
// \Z 只匹配字符串的结尾
print(re.findall('20\Z','shyshyis is 20'))
//['20']
// ^ 匹配字符串的开头
print(re.findall('^shyshy','shyshyis is 20'))
//['shyshy']
// $ 匹配字符串的结尾
print(re.findall('20$','shyshyis is 20'))
//['20']
// . 匹配除\n外的任意字符,指定re.DOTALL才能匹配换行符
print(re.findall('a.b','a b ab acb a\nb acccb'))
//['a b', 'acb']
print(re.findall('a.b','a b ab acb a\nb acccb',re.DOTALL))
//['a b', 'acb', 'a\nb']
// * 左侧字符重复0次或无数次
print(re.findall('ab*','ab abb abbbbbbb ab aa'))
// ['ab', 'abb', 'abbbbbbb', 'ab', 'a', 'a']
// + 左侧字符重复1次或无数次
print(re.findall('ab+','ab abb abbbbbbb ab aa bbbbbbbbb'))
// ['ab', 'abb', 'abbbbbbb', 'ab']
// ? 匹配左侧字符0次或1次
print(re.findall('ab?','ab abb abbbbbbb ab aa bbbbbbbbb'))
// ['ab', 'ab', 'ab', 'ab', 'a', 'a']
// {m,n} 匹配左侧字符m到n次,{n} 代表只出现n次
print(re.findall('ab{2,5}','ab abb abbbbbbb ab aa bbbbbbbbb'))
// ['abb', 'abbbbb']
// [] 匹配字符1次
print(re.findall('a[0-9]b','a1b a22b acb'))
// ['a1b']
// [^] 对匹配的内容取反
print(re.findall('a[^0-9]b','a1b a22b acb'))
// ['acb']
// () 是为了提取匹配字符串的,表达式中有几个()就有几个相应的匹配字符串
爬取糗事百科图片
首先是爬取单个图片
import requests
if __name__ == '__main__':
url = 'https://pic.qiushibaike.com/system/pictures/12401/124017243/medium/CAN7KLR2PPDXJ932.jpg'
headers = {
'User-Agent':'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/86.0.4240.75 Safari/537.36'
}
# content返回文件的二进制数据
# text (字符串) content (二进制数据) json(对象)
img_data = requests.get(url=url,headers=headers).content
with open('./1.jpg','wb') as fp:
fp.write(img_data)
注意url是图片的地址,和之前的爬取文本不同,这里因为爬取的是图片,所有获取数据时不说text
,而是能返回文件二进制数据的content
,在写入时,注意是wb
而并非w
,下面是他们的区别:
w 打开一个文件只用于写入。如果该文件已存在则将其覆盖。如果该文件不存在,创建新文件。
wb 以二进制格式打开一个文件只用于写入。如果该文件已存在则将其覆盖。如果该文件不存在,创建新文件。
接下来是爬取这一页的所有图片,首先,可以在源码中看到图片的地址,主要是被以下标签包裹
<div class="thumb">
<a href="/article/124104208" target="_blank">
<img src="//pic.qiushibaike.com/system/pictures/12410/124104208/medium/JIIR7Y6T2PDU8P0V.jpg" alt="糗事#124104208" class="illustration" width="100%" height="auto">
</a>
</div>
想要得到中间的地址,需要用正则匹配
ex = '<div class="thumb">.*?<img src="(.*?)" alt.*?</div>'
这里面,.*?
表示非贪婪匹配,满足条件的情况只匹配一次,()
用于提取匹配字符串的。
匹配完了后,因为这个网址中没有协议头,需要拼接一个https:
上去,这个可以用列表遍历来实现;因为图片数量比较多,可以用os模块去执行系统命令os.mkdir('./qiutupic')
,创建一个目录,然后将图片保存到里面。
最后,还剩下图片名的问题,可以看到,html标签中是有图片名的,我们可以用字符串切割,来得到图片名,这里可以用split()
函数来实现。
import requests
import re
import os
if __name__ == '__main__':
if not os.path.exists('./qiutupic'):
os.mkdir('./qiutupic')
url = 'https://www.qiushibaike.com/imgrank/'
headers = {
'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/86.0.4240.75 Safari/537.36'
}
# 使用通用爬虫对url对应的一整张页面爬取
page_text = requests.get(url=url, headers=headers).text
# 使用聚焦爬虫对页面中所有糗图进行提取
"""
<div class="thumb">
<a href="/article/124104208" target="_blank">
<img src="//pic.qiushibaike.com/system/pictures/12410/124104208/medium/JIIR7Y6T2PDU8P0V.jpg" alt="糗事#124104208" class="illustration" width="100%" height="auto">
</a>
</div>
"""
ex = '<div class="thumb">.*?<img src="(.*?)" alt.*?</div>'
img_src_list = re.findall(ex, page_text, re.S)
print(img_src_list)
for src in img_src_list:
# 拼接出一个完整的url
src = 'https:' + src
img_data = requests.get(url=src, headers=headers).content
# 生成图片名称
img_name = src.split('/')[-1] //将url以/切割开后,查找倒数第一个(-1)
# 拼接图片路径
imgpath = './qiutupic/' + img_name
with open(imgpath,'wb') as fp:
fp.write(img_data)
print(img_name + 'success')
str.split(str="", num=string.count(str)).
str – 分隔符,默认为所有的空字符,包括空格、换行(\n)、制表符(\t)等。
num – 分割次数。默认为 -1, 即分隔所有。
最后,实现对每个分页的爬取,
import requests
import re
import os
if __name__ == '__main__':
headers = {
'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/86.0.4240.75 Safari/537.36'
}
if not os.path.exists('./wholeqiutupic'):
os.mkdir('./wholeqiutupic')
# 设置通用url模板
url = 'https://www.qiushibaike.com/imgrank/page/%d'
for pagenum in range(1,13):
# 对应页码的url
new_url = format(url%pagenum)
# 使用通用爬虫对url对应的一整张页面爬取
page_text = requests.get(url=new_url, headers=headers).text
# 使用聚焦爬虫对页面中所有糗图进行提取
"""
<div class="thumb">
<a href="/article/124104208" target="_blank">
<img src="//pic.qiushibaike.com/system/pictures/12410/124104208/medium/JIIR7Y6T2PDU8P0V.jpg" alt="糗事#124104208" class="illustration" width="100%" height="auto">
</a>
</div>
"""
ex = '<div class="thumb">.*?<img src="(.*?)" alt.*?</div>'
img_src_list = re.findall(ex, page_text, re.S)
print(img_src_list)
for src in img_src_list:
# 拼接出一个完整的url
src = 'https:' + src
img_data = requests.get(url=src, headers=headers).content
# 生成图片名称
img_name = src.split('/')[-1]
# 拼接图片路径
imgpath = './wholeqiutupic/' + img_name
with open(imgpath,'wb') as fp:
fp.write(img_data)
print(img_name + 'success')
因为每次换页,不同的是url中最后的数字,所以可以采用for循环的方式,依次遍历,并格式化字符串,将页数填充到url中,这样就可以实现对不同页数的爬取。
bs4
bs4数据解析的原理:
- 实例化一个BeautifulSoup对象,并将页面源码数据加载到该对象中
- 通过调用BeautifulSoup对象中相关属性或方法进行标签定位和数据提取
环境安装
pip install bs4
pip install lxml
对象的实例化
- 将本地的html文档中的数据加载到该对象中
from bs4 import BeautifulSoup
if __name__ == '__main__':
# 将本地html文档的数据加载到对象中
fp = open('./baidu.html', 'r', encoding='utf-8')
soup = BeautifulSoup(fp, 'lxml')
print(soup)
- 将互联网上获取的源码加载到该对象中
page_text = response.text
soup = BeautifulSoup(page_text,'lxml')
数据解析的方法和属性
- soup.tagName:返回的是html中第一次出现的tagName标签内容
print(soup.a)
"""
输出内容:<a class="toindex" href="/">百度首页</a>
"""
soup.find('tagName')
:作用等同于soup.tagNamesoup.find('div',class_='s-isindex-wrap')
:查找div标签中class为s-isindex-wrap的内容soup.find_all('tagName')
:以列表方式返回符合要求的所有标签soup.select('某种选择器(id、class、标签选择器)')
:返回的是一个列表soup.select('.tang > ul >li >a')
:>
表示的是一个层级soup.select('.tang > ul a')
:空格表示的是多个层级soup.tagName.text/string/get_text()
:获取标签间文本数据,text/get_text()
能获取标签中所有的文本内容,string
只可以获取该标签下的直系文本内容soup.a['href']
:获取标签中属性值
爬取三国演义所有标题和内容
想要爬取所有标题和内容,先信息搜集
文章标题是存在这里的,前面a标签里的是标题对应章节的链接,可以用前面的bs4数据解析爬取到。先爬取所有li标签,然后用遍历的方法,得到每个li标签里章节对应的内容。
# 需求:爬取三国演义所有章节和内容
import requests
from bs4 import BeautifulSoup
if __name__ == '__main__':
# 对首页页面数据进行爬取
url = 'https://www.shicimingju.com/book/sanguoyanyi.html'
headers = {
'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) '
'Chrome/86.0.4240.75 Safari/537.36'
}
page_text = requests.get(url=url, headers=headers).text.encode('ISO-8859-1')
# 在首页中解析出标题和url
# 1.实例化beautifulsoup对象
soup = BeautifulSoup(page_text, 'lxml')
# 解析章节标题和详情页url
li_list = soup.select('.book-mulu > ul > li')
fp = open('./sanguoyanyi.txt','w',encoding='utf-8')
for li in li_list:
title = li.a.string
detail_url = 'http://www.shicimingju.com' + li.a['href']
# 对详情页发请求,得到文章内容
detail_page_text = requests.get(url=detail_url, headers=headers).text.encode('ISO-8859-1')
# 解析出详情页内容
detail_soup = BeautifulSoup(detail_page_text, 'lxml')
div_tag = detail_soup.find('div', class_='chapter_content')
content = div_tag.text
fp.write(title+':'+content+'\n')
print(title,'爬取成功')
xpath
最常用且最便捷高效的一种解析方式
原理:
- 实例化一个etree对象,且需要将被解析的页面源码数据加载到该对象中
- 调用etree对象中的xpath方法结合xpath表达式实现标签的定位和内容的捕获
环境安装
pip install lxml
对象的实例化
- 将本地的html文档中的源码数据加载到etree对象中
etree.parse(filepath)
- 将互联网上获取的源码数据加载到etree对象中
etree.HTML('page_text')
xpath表达式
from lxml import etree
if __name__ == '__main__':
# 1.实例化好一个etree对象,且将被解析的源码加载到该对象中
parser = etree.HTMLParser(encoding='utf-8')
tree = etree.parse('./sougou.html', parser=parser) # 注意和视频里的不同,否则会报错
r = tree.xpath('/html/head/meta')
r = tree.xpath('//script[@type="text/javascript"]')
r = tree.xpath('//div[@class="top-nav"]/ul/li[3]')
r = tree.xpath('//div[@class="top-nav"]/ul/li[3]/a/text()')
print(r)
"""
输出结果:
[<Element meta at 0x22136e7e4c0>, <Element meta at 0x22136e7e500>, <Element meta at 0x22136e7e540>, <Element meta at 0x22136e7e580>, <Element meta at 0x22136e7e5c0>]
[<Element script at 0x1f7d478f4c0>]
[<Element li at 0x2211a1af3c0>]
['知乎']
"""
/
表示的是从根节点开始定位,表示的是一个层级。
//
表示的是多个层级,也可以表示从任意位置开始定位
属性定位://script[@type="text/javascript"]
—>tag[@attrName="attrValue"
索引定位://div[@class="top-nav"]/ul/li[3]
索引从1开始
取文本:/text()
获取直系标签中文本内容,//text()
获取非直系标签
爬取58同城北京二手房名称
import requests
from lxml import etree
if __name__ == '__main__':
# 爬取页面数据
url = 'https://bj.58.com/ershoufang/'
headers = {
'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 '
'(KHTML, like Gecko) Chrome/86.0.4240.75 Safari/537.36'
}
page_text = requests.get(url=url, headers=headers).text
# 数据解析
tree = etree.HTML(page_text)
div_list = tree.xpath('//div[@class="property-content-title"]')
fp = open('./ershoufang.txt', 'w', encoding='utf-8')
for div in div_list:
title = div.xpath('./h3/text()')[0]
fp.write(title+'\n')
信息搜集发现每个标题都是在这个div标签内的,只需要定位到该div
标签,然后定位到h3
标签,就能获取里面的文本。
研(我)究(是)了(个)一(Fe)下(f)午(w),终于想到能把房子名称和价格一一对应的方法,每一步的解释都在代码中的注释里
import requests
from lxml import etree
if __name__ == '__main__':
# 爬取页面数据
url = 'https://bj.58.com/ershoufang/'
title_list = [] # 用于存储房子名称
title_price = [] #用于存储房子价格
flat_information = {} #用于存储上面两列表合并后的数据
headers = {
'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 '
'(KHTML, like Gecko) Chrome/86.0.4240.75 Safari/537.36'
}
page_text = requests.get(url=url, headers=headers).text
# 数据解析
tree = etree.HTML(page_text)
div_name_list = tree.xpath('//div[@class="property-content-title"]')
div_price_list = tree.xpath('//div[@class="property-price"]')
fp = open('./ershoufang.txt', 'w', encoding='utf-8') # 创建文本文档,用于保存房子信息
for div1 in div_name_list:
title = div1.xpath('./h3/text()')[0] # 定位到房子名称相应的位置
title_list.append(title) # 往列表中添加房子名称
for div2 in div_price_list:
price = div2.xpath('./p/span[@class="property-price-total-num"]/text()')[0] # 定位到房子价格数字相应的位置
unit = div2.xpath('./p/span[@class="property-price-total-text"]/text()')[0] # 定位到房子价格单位相应的位置
title_price.append(price + unit) # 往列表中添加房子价格
flat_information = dict(zip(title_list, title_price)) #将房子名称和房子价格两个列表合并为一个字典
for k in flat_information:
fp.write('%s : %s' % (k,flat_information[k]) + '\n') #遍历字典,用格式化字符串将房子名称和价格一一对应输出
爬取4k网站图片
网站url:https://pic.netbian.com/4kmeinv/
先进行信息搜集,
可以看到,图片的地址和名称都在//div[@class="slist"]/ul/li/a
中,而每一个li
标签对应着一张图片,那么就可以先将li
标签存储在列表中,然后用for
循环遍历的方法,逐一访问和爬取。
直接上代码,解释都在注释中。
from lxml import etree
import requests
import os
if __name__ == '__main__':
if not os.path.exists('./love'):
os.mkdir('./love')
url = 'https://pic.netbian.com/4kmeinv/'
headers = {
'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 '
'(KHTML, like Gecko) Chrome/86.0.4240.75 Safari/537.36'
}
response = requests.get(url=url, headers=headers)
# 手动设置相应数据的编码方式
# response.encoding = 'gbk'
page_text = response.text
# 数据解析:src属性值 alt属性值
tree = etree.HTML(page_text)
li_list = tree.xpath('//div[@class="slist"]/ul/li')
for li in li_list:
img_src = 'http://pic.netbian.com' + li.xpath('./a/img/@src')[0]
img_name = li.xpath('./a/img/@alt')[0] + '.jpg'
# 处理乱码的常规操作
img_name = img_name.encode('iso-8859-1').decode('gbk')
# print(img_name,img_src)
# 获取网址对应图片数据
img_data = requests.get(url=img_src, headers=headers).content
img_path = './love/' + img_name
with open(img_path, 'wb') as fp:
fp.write(img_data)
print(img_name + 'finish')
以上的代码,实现了对一页图片的爬取,这个网站一共有172页的图片,如果想要爬取全部呢?可以用函数来实现。注意到每一页的url区别,都是index_数字.html
,那么可以采用格式化字符串的方法,将所有页面的url存储到一个列表中,再将爬取一页的代码用函数封装,实现对每一页的爬取。
from lxml import etree
import requests
import os
def getpic(the_url):
response = requests.get(url=the_url, headers=headers)
# 手动设置相应数据的编码方式
# response.encoding = 'gbk'
page_text = response.text
tree = etree.HTML(page_text)
li_list = tree.xpath('//div[@class="slist"]/ul/li')
for li in li_list:
img_src = 'http://pic.netbian.com' + li.xpath('./a/img/@src')[0]
img_name = li.xpath('./a/img/@alt')[0] + '.jpg'
# 处理乱码的常规操作
img_name = img_name.encode('iso-8859-1').decode('gbk')
# print(img_name,img_src)
# 获取网址对应图片数据
img_data = requests.get(url=img_src, headers=headers).content
img_path = './love/' + img_name
with open(img_path, 'wb') as fp:
fp.write(img_data)
print(img_name + 'finish')
if __name__ == '__main__':
if not os.path.exists('./love'):
os.mkdir('./love')
url = 'https://pic.netbian.com/4kmeinv/'
headers = {
'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 '
'(KHTML, like Gecko) Chrome/86.0.4240.75 Safari/537.36'
}
all_url = []
for i in range(2, 172):
each_url = url + ('index_%d.html' % i)
all_url.append(each_url)
for one_url in all_url:
getpic(one_url)
爬取全国城市名
网站url:https://www.aqistudy.cn/historydata/
先进行信息搜集,可以看到网站中城市分为热门城市和其他城市,这两个种类里城市名所在的标签也是不同的,热门城市的名称所在标签为div[@class="bottom"]/ul/li/a
,其他城市的名称所在的标签为div[@class="bottom"]/ul/div[2]/li/a
直接上代码:
import requests
from lxml import etree
if __name__ == '__main__':
url = 'https://www.aqistudy.cn/historydata/'
headers = {
'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 '
'(KHTML, like Gecko) Chrome/86.0.4240.75 Safari/537.36'
}
page_text = requests.get(url=url,headers=headers).text
tree = etree.HTML(page_text)
hot_li_list = tree.xpath('//div[@class="bottom"]/ul/li')
# print(hot_li_list)
all_city_name = []
# 解析到热门城市名称
for li in hot_li_list:
hot_city_name = li.xpath('./a/text()')[0]
all_city_name.append(hot_city_name)
# 解析到其他城市名称
other_li_list = tree.xpath('//div[@class="bottom"]/ul/div[2]/li')
# print(other_li_list)
for li in other_li_list:
other_city_name = li.xpath('./a/text()')[0]
all_city_name.append(other_city_name)
print(all_city_name,len(all_city_name))
上面的程序是将热门城市及其他城市分开爬取的,想要将他们合并在一起,可以使用到|
运算符://div[@class="bottom"]/ul/li/a | //div[@class="bottom"]/ul/div[2]/li/a
import requests
from lxml import etree
if __name__ == '__main__':
url = 'https://www.aqistudy.cn/historydata/'
headers = {
'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 '
'(KHTML, like Gecko) Chrome/86.0.4240.75 Safari/537.36'
}
page_text = requests.get(url=url,headers=headers).text
tree = etree.HTML(page_text)
a_list = tree.xpath('//div[@class="bottom"]/ul/li/a | //div[@class="bottom"]/ul/div[2]/li/a')
all_city_name = []
for a in a_list:
one_city_name = a.xpath('./text()')[0]
all_city_name.append(one_city_name)
print(all_city_name, len(all_city_name))