0基础学爬虫爬虫基础之网页解析库的使用

Posted 2023-03-30 K哥爬虫

大数据时代，各行各业对数据采集的需求日益增多，网络爬虫的运用也更为广泛，越来越多的人开始学习网络爬虫这项技术，K哥爬虫此前已经推出不少爬虫进阶、逆向相关文章，为实现从易到难全方位覆盖，特设【0基础学爬虫】专栏，帮助小白快速入门爬虫，本期为网页解析库的使用。

概述

前几期的文章中讲到了网络请求库的使用，我们已经能够使用各种库对目标网址发起请求，并获取响应信息。本期我们会介绍各网页解析库的使用，讲解如何解析响应信息，提取所需数据。

XPath的使用

XPath 是一门在 XML 文档中查找信息的语言。XPath 可用来在 XML 文档中对元素和属性进行遍历。同样，XPath 也支持HTML文档的解析。

介绍

XPath 使用路径表达式来匹配HTML文档中的节点或节点集，路径表达式基于HTML文档树，因此在学习XPath 时需要对网页结构有一个初步了解，关于网页结构这些在之前的文章《网页基本结构》中已经介绍到了。

安装

使用XPath 需要安装Python的第三方库lxml，可以使用命令pip install lxml进行安装

使用

下文中，我们会通过一个示例来了解xpath的用法。

<div id="box">
    <p name="test">这是一个测试网页1</p>
</div>
<p name="test">这是一个测试网页2</p>
<div id="city">
    <ul>
        <li id="u1">北京</li>
        <li id="u2">上海</li>
        <li id="u3">广州</li>
        <li id="u4"><a name="sz" href="sz.html" target="_self">深圳</a></li>
    </ul>
</div>
<div class="article"><h3>标题</h3></div>
<div class="article"><p>内容1</p></div>
<div class="article"><p>内容2</p></div>
<div class="article"><p>内容3</p></div>

这是一个简单的网页body结构。我们想要提取页面中的信息，就需要先分析它的结构，理清结构后，编写路径表达式就会更加方便。

在前文对xpath的介绍中我们了解到xpath是对XML或HTML文档进行解析的功能，但在代码中，示例中的html文本只是一段字符串，所以在使用xpath进行匹配前首先要将字符串转成HTML对象。

from lxml import etree

element = \'\'\'
    <div id="box">
        <p name="test">这是一个测试网页1</p>
    </div>
    <p name="test">这是一个测试网页2</p>
    <div id="city">
        <ul>
            <li id="u1">北京</li>
            <li id="u2">上海</li>
            <li id="u3">广州</li>
            <li id="u4"><a name="sz" href="sz.html" target="_self">深圳</a></li>
        </ul>
    </div>
    <div class="article"><h3>标题</h3></div>
    <div class="article"><p>内容1</p></div>
    <div class="article"><p>内容2</p></div>
    <div class="article"><p>内容3</p></div>
\'\'\'

html = etree.HTML(element)
print(html)
#输出：<Element html at 0x1b642114388>

将文本转化为html对象后，就可以使用xpath进行匹配了。

路径表达式

表达式	描述	示例	示例描述
nodename	选取此节点下的所有子节点	head	获取当前head节点下的所有子节点
/	从根节点选取	/html/head	从根节点匹配head节点
//	从任意位置匹配节点	//head	匹配任意head节点
.	选取当前节点
..	选取当前节点的父节点	//head/..	匹配head节点的父节点
@	选取属性	//div[@id="box"]	匹配任意id值为box的div标签

选取节点

以示例代码为例，我们想要匹配所有的li标签，可以这样实现：

html.xpath("//li")
#输出 [<Element li at 0x24c09d3e5c8>, <Element li at 0x24c09d3e588>, <Element li at 0x24c09d3e648>, <Element li at 0x24c09d3e688>]

谓语

获取id属性值为box的div标签信息

html.xpath(\'//div[@id="box"]\')
#输出 [<Element div at 0x127672dc688>]

获取所有class属性值为article的标签信息

html.xpath(\'//*[@class="article"]\')
#输出 [<Element div at 0x2898696e4c8>, <Element div at 0x2898696e588>, <Element div at 0x2898696e5c8>, <Element div at 0x2898696e608>]

获取所有class属性值为article的标签下h3标签的文本信息

html.xpath(\'//*[@class="article"]/h3/text()\')
#输出 [\'标题\']

获取所有class属性值为article的标签下p标签的文本信息

html.xpath(\'//*[@class="article"]/p/text()\')
#输出 [\'内容1\', \'内容2\', \'内容3\']

获取第一个li标签的文本信息

html.xpath(\'//li[1]/text()\')
#输出 [\'北京\']

获取最后一个li标签下的所有文本信息

html.xpath(\'//li[last()]//text()\')
#输出 [\'深圳\']

获取倒数第二个li标签下的所有文本信息

html.xpath(\'//li[last()-1]//text()\')
#输出 [\'广州\']

获取前两个li标签下的文本信息

html.xpath(\'//li[position()<3]//text()\')
#输出 [\'北京\', \'上海\']

选取多个路径

html.xpath(\'//div[@class="article"]/h3/text() | //div[@id="box"]/p/text()\')
#输出 [\'这是一个测试网页1\', \'标题\']

轴

轴可定义相对于当前节点的节点集。

轴名称	结果
ancestor	选取当前节点的所有先辈（父、祖父等）。
ancestor-or-self	选取当前节点的所有先辈（父、祖父等）以及当前节点本身。
attribute	选取当前节点的所有属性。
child	选取当前节点的所有子元素。
descendant	选取当前节点的所有后代元素（子、孙等）。
descendant-or-self	选取当前节点的所有后代元素（子、孙等）以及当前节点本身。
following	选取文档中当前节点的结束标签之后的所有节点。
namespace	选取当前节点的所有命名空间节点。
parent	选取当前节点的父节点。
preceding	选取文档中当前节点的开始标签之前的所有节点。
preceding-sibling	选取当前节点之前的所有同级节点。
self	选取当前节点。

获取ul标签下的子li标签下的a标签的href属性

html.xpath(\'//ul/child::li/a/@href\')
#输出 [\'sz.html\']

获取a标签的所有先辈div标签

html.xpath(\'//a/ancestor::div\')
#输出 [<Element div at 0x23a712de588>]

获取a标签的所有属性

html.xpath(\'//a/attribute::*\')
#输出 [\'sz\', \'sz.html\', \'_self\']

获取id属性值为u2的li标签之后的所有p标签的文本信息

html.xpath(\'//li[@id="u2"]/following::p/text()\')
#输出 [\'内容1\', \'内容2\', \'内容3\']

获取id属性值为u2的li标签之前的所有p标签的文本信息

html.xpath(\'//li[@id="u2"]/preceding::p/text()\')
#输出 [\'这是一个测试网页1\', \'这是一个测试网页2\']

获取id属性值为u2的li标签之后的所有同级标签的文本信息

html.xpath(\'//li[@id="u2"]/following-sibling::*/text()\')
#输出 [\'广州\']

获取id属性值为u3的li标签之前的所有同级标签的文本信息

html.xpath(\'//li[@id="u2"]/preceding-sibling::*/text()\')
#输出 [\'北京\']

运算符

获取id属性值为u1或者u2的标签下的文本信息

html.xpath(\'//li[@id="u1" or @id="u2"]/text()\')
#输出 [\'北京\', \'上海\']

判断a标签的name属性值是否为sz

html.xpath(\'//a/@name="sz"\')
#输出 True

函数

xpath提供了非常多的内置函数，这些函数可以用于各种值的计算与处理，这里只介绍常用的函数。

获取所有属性值包含test的标签的文本信息

html.xpath(\'//*[contains(attribute::*,"test")]/text()\')
#输出 [\'这是一个测试网页1\', \'这是一个测试网页2\']

将id为u1的li标签和id为u2的li标签的文本信息进行拼接

html.xpath(\'concat(//li[@id="u1"]/text(),//li[@id="u2"]/text())\')
#输出 北京上海

获取id属性值以u开头的所有li标签的文本信息

html.xpath(\'//li[starts-with(@id,"u")]/text()\')
#输出 [\'北京\', \'上海\', \'广州\']

上文中讲到的路径表达式的写法只是xpath中比较常用的写法，基本能够覆盖大部分需求。xpath路径也可以通过F12开发者工具直接获取，在 element 中右键需要匹配的节点元素，复制完整xpath即可。复制下来的完整xpath路径如：/html/body/ul/li[1]。这种方法虽然简单，但实际上路径并不准确，而且路径为绝对路径，相对复杂，所以路径表达式推荐自己手动编写。

BeautifulSoup的使用

BeautifulSoup与上文中介绍的xpath一样，都是用于解析XML或HTML标签中的信息。BeautifulSoup 与 xpath 各有优势，使用哪个可以凭个人喜好。

安装

目前流行的 beautifulsoup 版本为beautifulsoup4，下面简称bs4。

pip install beautifulsoup4

使用

与 xpath 不同，bs4 需要自己选择解析器，常用的解析器有：

html.parser：Python内置解析器

lxml HTML：HTML解析器

lxml XML：XML解析器

各解析器之间的区别主要在于文档解析容错能力，对于不规范的 HTML 文本，它们的解析结果并不一致。

这里我们推荐使用 lxml 作为解析器，使用 lxml 作为解析器需要提前安装 lxml 第三方库。

from bs4 import BeautifulSoup

html = \'\'\'
    <div id="box">
        <p name="test">这是一个测试网页1</p>
    </div>
    <p name="test">这是一个测试网页2</p>
    <div id="city">
        <ul>
            <li id="u1">北京</li>
            <li id="u2">上海</li>
            <li id="u3">广州</li>
            <li id="u4"><a name="sz" href="sz.html" target="_self">深圳</a></li>
        </ul>
    </div>
    <div class="article"><h3>标题</h3></div>
    <div class="article"><p>内容1</p></div>
    <div class="article"><p>内容2</p></div>
    <div class="article"><p>内容3</p></div>

\'\'\'

soup = BeautifulSoup(html,\'lxml\')
#返回完整的html文本

bs4的写法比较简洁，更人性化。

soup.body ：获取body信息
soup.li ：获取第一个li标签
soup.div ：获取第一个div标签
soup.li[\'id\'] ：获取第一个li标签的id属性值
soup.a.attrs ：获取第一个a标签的所有属性值，返回类型为字典

获取多个信息

soup.find_all(\'li\') ：获取所有li标签
soup.find_all(["p","a"]) ：获取所有p标签与a标签
soup.find_all(\'div\',\'article\') ：获取所有类名为article的div标签
soup.find_all(id="box") ：获取所有id属性值为box的标签

节点

soup.ul.parent ：获取ul标签的父节点
soup.find(\'a\').find_parent("li") ：获取第一个a标签的父li标签
soup.find(\'a\').find_parents("li") ：获取第一个a标签的所有父li标签
soup.find(\'li\').find_next_siblings("li") ：获取第一个li标签后的兄弟li标签
soup.find(\'li\').find_next_sibling("li") ：获取第一个li标签后的第一个兄弟li标签
soup.find(attrs=\'id\':\'u4\').find_previous_siblings("li") ：获取id属性值为u4的li标签前的所有兄弟li标签
soup.find(attrs=\'id\':\'u4\').find_previous_sibling("li") ：获取id属性值为u4的li标签前的第一个兄弟li标签

CSS选择器

BeautifulSoup 支持大部分的CSS选择器，CSS选择器在之前的文章《网页基本结构》中做了介绍。

soup.select(\'div h3\') ：获取div下的h3标签
soup.select(\'#city #u2\') ：获取id属性值为city的标签下id值u2的标签
soup.select(\'a[href="sz.html"]\') ：获取href属性值为sz.html的a标签
soup.select_one(".article") ：获取第一个类名为article的标签

bs4 作用上与 xpath 基本一致，但是 bs4 的优势就在于语句的简洁性，用bs4匹配数据比 xpath 稍微简单一些，但是它在性能上比 xpath 要稍弱。

re正则表达式的使用

正则表达式（Regular Expression，通常简写为“regex”或“regexp”）是一种用来匹配文本字符串的模式。在编程和文本处理中，正则表达式通常被用来进行字符串匹配、搜索、替换等操作。

实际开发中，我们会对一些非结构化数据进行解析，对于这类数据，无论是 xpath 还是 BeautifulSoup 都无法进行解析。这时我们就需要用到正则表达式，正则表达式的强大在于它能够匹配任意类型的文本数据，可以帮助开发者快速的处理文本数据。

安装

Python 中内置了 re 库，无需额外安装

使用

模式	描述
\\w	匹配字母数字及下划线
\\W	匹配非字母数字及下划线
\\s	匹配任意空白字符，等价于[\\t\\n\\r\\f]
\\S	匹配任意非空白字符
\\d	匹配任意数字，等价于[0-9]
\\D	匹配任意非数字的字符
\\A	匹配字符串的开头
\\Z	匹配字符串的结尾，如存在换行，只匹配到换行前的结束字符串
\\z	匹配字符串的结尾，如存在换行，会匹配换行符
^	匹配字符串的开头
$	匹配字符串的结尾
.	匹配任意字符，除换行符，当re.DOTALL被指定时可以匹配包括换行符的任意字符
[...]	匹配一组字符，如[abc]，匹配a,b,c
[^...]	匹配不在[]中的字符
*	匹配0或多个表达式
+	匹配1或多个表达式
?	对它前面的正则式匹配0到1次
	匹配n个之前的正则表达式
	对表达式进行n到m次匹配，尽量取最多
a|b	匹配a或b
()	匹配括号内的任意表达式

compile函数

re.compile 可以将正则表达式样式的字符串编译为一个正则表达式对象，可以通过这个对象来调用下述方法。

pattern = re.compile("\\d")

match函数

re.match 会从字符串的起始位置进行匹配正则表达式，匹配成功后会返回匹配成功的结果，匹配失败则返回None。

import re
#匹配字符a
pattern = re.compile("a") 
#从字符串开头开始匹配
print(pattern.match("cat")) 
#从下标为1的位置开始匹配
print(pattern.match("cat",1)) 

运行结果：

None
<re.Match object; span=(1, 2), match=\'a\'>

表达式匹配：

#以hello开头中间为数字后面是World的字符串
pattern = re.compile("^hello\\s(\\d+)\\sWorld") 
print(pattern.match("hello 123 World!!!")) 

运行结果：

<re.Match object; span=(0, 15), match=\'hello 123 World\'>

可以看到，两次的运行结果都是一个对象，可以使用group()方法获取匹配到的文本信息。

pattern = re.compile("^hello\\s(\\d+)\\sWorld")
result = pattern.match("hello 123 World!!!")
print(result.group())
print(result.group(1))

运行结果：

hello 123 World
123

group(1)会返回第一个被括号包围的匹配结果，示例中被括号包围的是\\d+，所以输出的结果为123。

Search函数

match函数是从字符串的开头开始匹配，想要从其它地方开始匹配需要自己传入位置，用这种方法匹配数据局限性很大。我们想要从任意位置开始匹配数据可以使用 re.search 函数。

pattern = re.compile("(\\d+)")
result = pattern.search("hello 123 World321!!!")
print(result)
print(result.group(1))

运行结果：

<re.Match object; span=(6, 9), match=\'123\'>
123

可以看到，使用 search 方法我们无需指定位置，它会搜寻整个字符串，返回第一个匹配成功的结果。

findall函数

search 函数可以从任意位置进行匹配，但是它只会返回第一个匹配成功的结果。我们想要获取所有匹配成功的结果就需要用到 findall 函数。

pattern = re.compile("(\\d+)")
result = pattern.findall("hello 123 World321!!!")
print(result)

运行结果：

[\'123\', \'321\']

findall 函数会返回一个列表，因此 findall 函数返回的结果无法使用 group 方法。

通用匹配

在实际开发中，我们往往会遇到非常复杂的文本结构如：

"hello 123 this is a 999Regex Demo!!!World321"

这时如果使用\\w,\\s进行匹配会显得非常复杂，这时我们就可以使用一个通配组合.*，上文中介绍到了.是匹配任意字符，*是匹配0或多个表达式，.*搭配在一起就是匹配任意多个字符。使用.*可以简单有效的进行数据匹配。

#匹配hello World之间的信息
pattern = re.compile("hello(.*)World")
result = pattern.findall("hello123 World this is a 999Regex Demo!!!World321")
print(result)

运行结果：

[\'123 World this is a 999Regex Demo!!!\']

这里我们可以看到，使用.*后它匹配到了第一个 hello 到最后一个 World 之间的所有文本。但如果我们想要匹配 hello 到第一个 world 之间的信息呢。这时我们就需要了解一下贪婪匹配与非贪婪匹配。

贪婪与非贪婪

顾名思义，贪婪模式表示尽可能多的匹配，非贪婪模式表示尽可能少的匹配。从上文的示例我们可以看到re.compile("hello(.*)World")它会从 hello 开始，匹配到最后一个 World，这显然就是贪婪模式，它会尽可能多的匹配，也就是匹配到最后一个符合规则的位置。正则表达式中，非贪婪模式需要使用到?，前文中讲到了?是匹配0到1次，使用?就能实现尽可能少的匹配。

#匹配hello World之间的信息(非贪婪)
pattern = re.compile("hello(.*?)World")
result = pattern.findall("hello123 World this is a 999Regex Demo!!!World321")
print(result)

运行结果：

[\'123 \']

可以看到使用.*?后，正则表达式只匹配到第一个 World 就停下了，这样就实现了非贪婪匹配。

Newspaper智能解析库的使用

Newspaper 是 Python 的第三方库，主要用于抓取新闻网页。它能够自动解析网页内容，匹配出新闻的各种信息。而且操作简单，非常容易上手。但是它并不适用于实际开发，因为它不够稳定，存在各种问题，无法应对爬虫开发中可能遇到的问题，如反爬虫等，所以这里对它只做介绍。

安装

命令行安装：pip install newspaper3k

使用

它的使用非常简单，传入目标网址后，调用 download() 方法下载网页源代码，使用 parse() 方法解析源码。

from newspaper import Article
# 目标新闻网址
url = \'https://目标文章\'
news = Article(url, language=\'zh\')
news.download()
news.parse()
#获取新闻网页源码
print(news.html)
#获取新闻标题
print(news.title)
#获取新闻正文
print(news.text)
#获取新闻作者
print(news.authors)
#获取新闻发布时间
print(news.publish_date)
#获取新闻关键词
print(news.keywords)
#获取新闻摘要
print(news.summary)
#获取新闻配图地址
print(news.top_image)
#获取新闻视频地址
print(news.movies)

Newspaper 可以与 requests 配合使用，通过 requests 获取源码，由 Newspaper 进行解析提取。Newspaper 库并不能完美的解析出各种信息，适合非专业人士使用。

总结

上文中，讲到了四个爬虫解析库的使用，其中 xpath 与 beautifulSoup 主要用于对 html 文本的解析，正则表达式主要用于对非结构化文本的解析，无法用 xpath 和 beautifulSoup 解析的文本信息通常会使用正则来进行匹配。Newspaper 是智能解析库，使用它可以自动解析新闻信息，无需自己编写表达式，但是缺点也很明显 。

与网络请求库一样，网页解析库的使用是每一个爬虫初学者都应该牢牢掌握的知识点，能够熟练的使用解析库才能更好的完成数据采集工作。