Python：数据解析（bs4 / xpath）

Posted 2020-11-27 danvy617

最近在看B站上的视频学习资料，此文是关于用bs4/xpath做数据解析相关的一些使用实例。

bs4解析

• 环境的安装：
• pip install bs4
• pip install lxml
• bs4数据解析的解析原理/流程
• 实例化一个BeautifulSoup对象，且将等待解析的数据加载到该对象中
• 方式1: BeautifulSoup(f,‘lxml‘):解析本地存储的html文件
• 方式2: BeautifulSoup(page_text,‘lxml‘):解析互联网上请求到的页面数据
• 调用BeautifulSoup对象中的相关方法和属性进行标签定位和数据的提取
• 标签定位
• soup.tagName: 返回第一次出现的tagName标签
• 属性定位：soup.find(‘tagName‘,attrName=‘value‘)
• findAll和find的用法一样，但是返回值不一样，findAll返回列表
• 选择器定位：select(‘selector‘)
• 数据提取
• 提取标签中存在的数据
• .string: 取出标签直系的文本内容
• .text: 取出标签中所有的文本内容
• 提取标签属性中存储的数据
• tagName[‘attrName‘]

import requests
from bs4 import BeautifulSoup
headers = {
    ‘User-Agent‘: ‘Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/80.0.3987.163 Safari/537.36‘
}
f = open(‘./test.html‘,‘r‘)
soup = BeautifulSoup(f,‘lxml‘)
soup.div # 标签定位
soup.find(‘div‘,class_=‘song‘) # 属性定位：根据树新定位具体的标签，class属性为song的div标签，因为class是内置属性，所以要加下划线class_，如果是id则直接用id=‘xxx‘
soup.finAll(‘a‘,id=‘feng‘)
soup.select(‘#feng‘) # 根据id选择器定位a标签
soup.select(‘.song‘) # 定位class为song的标签
#层级选择器
soup.select(‘.tang > ul > li > a‘) # >表示一个层级
soup.select(‘.tang a‘) # 空格表示多个层级

soup.p.string # 取出p标签直系的文本内容
soup.div.text # 取出div标签中所有的文本内容
soup.a[‘href‘] # 取出按标签属性为href的数据
# 使用bs4解析爬取三国演义整篇小说内容：http://www.shicimingju.com/book/sanguoyanyi.html

# 从首页解析出章节的标题和详情页的url
url = ‘http://www.shicimingju.com/book/sanguoyanyi.html‘
page_text = requests.get(url, headers=headers).text # 首页页面的源码数据
f = open(‘./sanguoyanyi.txt‘,‘w‘,encoding=‘utf-8‘)
# 数据解析（章节标题，详情页的url）
soup = BeautifulSoup(page_text,‘lxml‘)
a_list = soup.select(‘.book-mulu > ul > li > a‘)
for a in a_list:
    title = a.string
    url_detail = ‘http://www.shicimingju.com‘ + a[‘href‘]
    # 解析提取章节内容
    page_text_detail = requests.get(url_detail, headers=headers).text
    # 解析详情页中的章节内容
    soup = BeautifulSoup(page_text_detail,‘lxml‘)
    content = soup.find(‘div‘,class_=‘chapter_content‘).text

    f.write(title + ‘:‘ + content + ‘
‘)
    print(title,‘下载成功‘)

xpath解析

• xpath解析原理
• 实例化一个etree对象，且将即将被解析的数据加载到该对象中
• 解析本地存储的html文档：etree.parse(‘fileName‘)
• 解析网上爬取的html数据：etree.HTML(‘page_text‘)
• 使用etree对象中的xpath方法结合着不同的xpath表达式实现标签定位和数据提取
• 标签定位
• 最左侧的/: 必须要从跟标签开始逐层的定位目标标签
• 非最左侧的/: 表示一个层级
• 最左侧的//: 可以从任意位置定义目标标签
• 非最左侧的//: 表示多个层级
• 属性定位: //tagName[@atrrName=‘value‘]
• 索引定位: //tagName[index]，index是从1开始的，不是从0
• 模糊匹配：
• //div[contains(@class,‘ng‘)] 定位到class属性中包含ng的div标签
• //div[starts-with(@class,‘ta‘)] 定位到class属性值中以ta开头的div标签
• 数据提取
• 取标签中的数据
• /text(): 直系文本内容
• //text(): 所有文本内容
• 取属性的数据
• tagName/@attrName

from lxml import etree
import os
tree = etree.parse(‘./test.html‘)
tree.xpath(‘/html/head‘) # 从根标签开始定位head标签，返回<Element>列表
tree.xpath(‘//head‘) # 将html文档中所有的head标签定位到
tree.xpath(‘//div[@class="song"]‘) # 定位class为song的div标签
tree.xpath(‘//li[1]‘) #定位第一个li标签
tree.xpath(‘//a[@id="feng"]/text()‘)  # 取出id为feng的a标签的直系内容
tree.xpath(‘//div[@class="song"]//text()‘) # 取出class为song的div标签里面的所有内容
tree.xpath(‘//a[@id="feng"]/@href‘) # 取出id为feng的a标签中属性为href的值

# 爬取图片数据和图片名称，并保存到本地
# 第一页：http://pic.netbian.com/4kmeinv/
# 非第一页：http://pic.netbian.com/4kmeinv/index_2.html
dir_name = ‘imgLibs‘
if not os.path.exists(dir_name):
    os.mkdir(dir_name)

url = ‘http://pic.netbian.com/4kmeinv/index_%d.html‘
for page in range(1,6):
    if page == 1:
        new_url = ‘http://pic.netbian.com/4kmeinv/‘
    else:
        new_url = format(url%page) # 表示非第一页的url
    response = requests.get(new_url, headers=headers)
    response.encoding = ‘gbk‘
    page_text = response.text
    tree = etree.HTML(page_text) # 解析图片地址和图片名称
    li_list = tree.xpath(‘//div[@class="slist"]/ul/li‘) # 全局解析
    for li in li_list:
        img_src = ‘http://pic.netbian.com‘ + li.xpath(‘./a/img/@src‘)[0] # 局部解析，./表示xpath对调用者对应的标签
        img_name = li.xpath(‘./a/img/@alt‘)[0] + ‘.jpg‘
        img_data = requests.get(img_src,headers=headers).content
#         print(img_src, img_name)
        file_path = dir_name + ‘/‘ + img_name
        with open(file_path,‘wb‘) as f:
            f.write(img_data)
        print(img_name,‘下载成功‘)


# 如何提升xpath表达式的通用性
url = ‘https://www.aqistudy.cn/historydata/‘
page_text = requests.get(url,headers=headers).text
tree = etree.HTML(page_text)
hot_cities = tree.xpath(‘//div[@class="bottom"]/ul/li/a/text()‘)
all_cities = tree.xpath(‘//div[@class="bottom"]/ul/div[2]/li/a/text()‘)
# 上述2个xpath表达式可以合并成以下一个xpath表达式
cities = tree.xpath(‘//div[@class="bottom"]/ul/li/a/text() | //div[@class="bottom"]/ul/div[2]/li/a/text()‘)
print(cities)

• 想要解析出一张页面中指定的局部带标签的数据
• bs4, 使用bs4定位标签后，直接返回的就是标签内容

参考：https://www.bilibili.com/video/BV1tE411F7do（P7~P8）