爬虫之数据解析的三种方式
Posted peng104
tags:
篇首语：本文由小常识网(cha138.com)小编为大家整理，主要介绍了爬虫之数据解析的三种方式相关的知识，希望对你有一定的参考价值。
一，正则表达式解析
re正则就不写了，前面已经写入一篇很详细的正则表达式模块了~
而且，在爬虫中，下面两种方式用的多一些~
正则表达式：https://www.cnblogs.com/peng104/p/9619801.html
大致用法：
pattern = re.compile(‘<dd>.*?board-index.*?>(d+)</i>.*?src="(.*?)".*?name"><a‘ +‘.*?>(.*?)</a>.*?star">(.*?)</p>.*?releasetime">(.*?)</p>‘ +‘.*?integer">(.*?)</i>.*?fraction">(.*?)</i>.*?</dd>‘, re.S) items = re.findall(pattern, html)
二，Xpath解析
简介及安装
简介：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。XPath 是 W3C XSLT 标准的主要元素，并且 XQuery 和 XPointer 都构建于 XPath 表达之上。
安装：pip install lxml
调用方法：
# 先导包 from lxml import etree # 将html文档或者xml文档转换成一个etree对象，然后调用对象中的方法查找指定的节点 # 1. 本地文件 tree = etree.parse(文件名) tree.xpath("xpath表达式") # 2. 网络数据 tree = etree.HTML(网页内容字符串) tree.xpath("xpath表达式")
语法简介
先准备一个HTML格式的字符串
html_doc = """ <!DOCTYPE html> <html lang="en"> <head> <meta charset="UTF-8"> <title>Title</title> </head> <body> <div class="d1"> <div class="d2"> <p class="story"> <a href="http://example.com/elsie" class="sister" id="link1">Elsie</a>, <a href="http://example.com/lacie" class="sister" id="link2">Lacie</a> and <a href="http://example.com/tillie" id="link3">Tillie</a> </p> </div> <div> <p id="p1">人生苦短</p> <p id="p2">我用python</p> </div> </div> <div class="d3"> <a href="http://www.baidu.com">baidu</a> <p>百度</p> </div> </body> </html> """
1，选取节点
nodename # 选取nodename节点的所有子节点 xpath(‘//div’) # 选取了所有div节点 / # 从根节点选取 xpath(‘/div’) # 从根节点上选取div节点 // # 选取所有的当前节点，不考虑他们的位置 xpath(‘//div’) # 选取所有的div节点 . # 选取当前节点 xpath(‘./div’) # 选取当前节点下的div节点 .. # 选取当前节点的父节点 xpath(‘..’) # 回到上一个节点 @ # 选取属性 xpath（’//@calss’） # 选取所有的class属性 #######################?例子?###################### ret=selector.xpath("//div") ret=selector.xpath("/div") ret=selector.xpath("./div") ret=selector.xpath("//p[@id=‘p1‘]") ret=selector.xpath("//div[@class=‘d1‘]/div/p[@class=‘story‘]")
2，谓语
表达式 结果 xpath(‘/body/div[1]’) # 选取body下的第一个div节点 xpath(‘/body/div[last()]’) # 选取body下最后一个div节点 xpath(‘/body/div[last()-1]’) # 选取body下倒数第二个div节点 xpath(‘/body/div[positon()<3]’) # 选取body下前两个div节点 xpath(‘/body/div[@class]’) # 选取body下带有class属性的div节点 xpath(‘/body/div[@class=”main”]’) # 选取body下class属性为main的div节点 xpath(‘/body/div[@price>35.00]’) # 选取body下price元素值大于35的div节点 #######################?例子?###################### ret=selector.xpath("//p[@class=‘story‘]//a[2]") ret=selector.xpath("//p[@class=‘story‘]//a[last()]")
3，通配符
Xpath通过通配符来选取未知的XML元素
表达式 结果 xpath（’/div/*’） # 选取div下的所有子节点 xpath(‘/div[@*]’) # 选取所有带属性的div节点 #######################?例子?###################### ret=selector.xpath("//p[@class=‘story‘]/*") ret=selector.xpath("//p[@class=‘story‘]/a[@class]")
4，取多个路径
使用 “|” 运算符可以选取多个路径
表达式 结果 xpath(‘//div|//table’) # 选取所有的div和table节点 #######################?例子?###################### ret=selector.xpath("//p[@class=‘story‘]/a[@class]|//div[@class=‘d3‘]") print(ret)
5，Xpath轴
轴可以定义相对于当前节点的节点集
轴名称 表达式 描述 ancestor xpath(‘./ancestor::*’) # 选取当前节点的所有先辈节点（父、祖父） ancestor-or-self xpath(‘./ancestor-or-self::*’) # 选取当前节点的所有先辈节点以及节点本身 attribute xpath(‘./attribute::*’) # 选取当前节点的所有属性 child xpath(‘./child::*’) # 返回当前节点的所有子节点 descendant xpath(‘./descendant::*’) # 返回当前节点的所有后代节点（子节点、孙节点） following xpath(‘./following::*’) # 选取文档中当前节点结束标签后的所有节点 following-sibing xpath(‘./following-sibing::*’) # 选取当前节点之后的兄弟节点 parent xpath(‘./parent::*’) # 选取当前节点的父节点 preceding xpath(‘./preceding::*’) # 选取文档中当前节点开始标签前的所有节点 preceding-sibling xpath(‘./preceding-sibling::*’) # 选取当前节点之前的兄弟节点 self xpath(‘./self::*’) # 选取当前节点
6，功能函数
使用功能函数能够更好的进行模糊搜索
函数 用法 解释 starts-with xpath(‘//div[starts-with(@id,”ma”)]‘) # 选取id值以ma开头的div节点 contains xpath(‘//div[contains(@id,”ma”)]‘) # 选取id值包含ma的div节点 and xpath(‘//div[contains(@id,”ma”) and contains(@id,”in”)]‘) # 选取id值包含ma和in的div节点 text() xpath(‘//div[contains(text(),”ma”)]‘) # 选取节点文本包含ma的div节点
Element对象
from lxml.etree import _Element for obj in ret: print(obj) print(type(obj)) # from lxml.etree import _Element ‘‘‘ Element对象 class xml.etree.ElementTree.Element(tag, attrib={}, **extra) tag：string，元素代表的数据种类。 text：string，元素的内容。 tail：string，元素的尾形。 attrib：dictionary，元素的属性字典。 ＃针对属性的操作 clear()：清空元素的后代、属性、text和tail也设置为None。 get(key, default=None)：获取key对应的属性值，如该属性不存在则返回default值。 items()：根据属性字典返回一个列表，列表元素为(key, value）。 keys()：返回包含所有元素属性键的列表。 set(key, value)：设置新的属性键与值。 ＃针对后代的操作 append(subelement)：添加直系子元素。 extend(subelements)：增加一串元素对象作为子元素。＃python2.7新特性 find(match)：寻找第一个匹配子元素，匹配对象可以为tag或path。 findall(match)：寻找所有匹配子元素，匹配对象可以为tag或path。 findtext(match)：寻找第一个匹配子元素，返回其text值。匹配对象可以为tag或path。 insert(index, element)：在指定位置插入子元素。 iter(tag=None)：生成遍历当前元素所有后代或者给定tag的后代的迭代器。＃python2.7新特性 iterfind(match)：根据tag或path查找所有的后代。 itertext()：遍历所有后代并返回text值。 remove(subelement)：删除子元素。 ‘‘‘
三，BeautifulSoup
简介及安装
简介：
Beautiful Soup提供一些简单的、python式的函数用来处理导航、搜索、修改分析树等功能。
它是一个工具箱，通过解析文档为用户提供需要抓取的数据，因为简单，所以不需要多少代码就可以写出一个完整的应用程序。
安装：pip3 install beautifulsoup4
解析器：
Beautiful Soup支持Python标准库中的HTML解析器,还支持一些第三方的解析器，如果我们不安装它，则 Python 会使用 Python默认的解析器，lxml 解析器更加强大，速度更快。
简单使用
使用方式：可以将一个html文档，转化为BeautifulSoup对象，然后通过对象的方法或者属性去查找指定的节点内容
from bs4 import BeautifulSoup # 转化本地文件 soup = BeautifulSoup(open(‘本地文件‘), ‘lxml‘) # 转化网络文件 soup = BeautifulSoup(‘字符串类型或者字节类型‘, ‘lxml‘) # 从文档中获取所有文字内容: print(soup.get_text())
语法简介
# 1.根据标签名查找 - soup.a 只能找到第一个符合要求的标签 # 2.获取属性 - soup.a.attrs 获取a所有的属性和属性值，返回一个字典 - soup.a.attrs[‘href‘] 获取href属性 - soup.a[‘href‘] 也可简写为这种形式 # 3.获取内容 - soup.a.string - soup.a.text - soup.a.get_text() 注意:如果标签还有标签，那么string获取到的结果为None，而其它两个，可以获取文本内容 # 4.find：找到第一个符合要求的标签 - soup.find(‘a‘) 找到第一个符合要求的 - soup.find(‘a‘, title="xxx") - soup.find(‘a‘, alt="xxx") - soup.find(‘a‘, class_="xxx") - soup.find(‘a‘, id="xxx") # 5.find_all：找到所有符合要求的标签 - soup.find_all(‘a‘) - soup.find_all([‘a‘,‘b‘]) 找到所有的a和b标签 - soup.find_all(‘a‘, limit=2) 限制前两个 # 6.根据选择器选择指定的内容 select:soup.select(‘#feng‘) - 常见的选择器：标签选择器(a)、类选择器(.)、id选择器(#)、层级选择器 - 层级选择器： div .dudu #lala .meme .xixi 下面好多级 div > p > a > .lala 只能是下面一级 注意:select选择器返回永远是列表，需要通过下标提取指定的对象
find_all()
先准备一个HTML格式的字符串
html_doc = """ <html><head><title>The Dormouse‘s story</title></head> <body> <p id="my p" class="title"><b id="bbb" class="boldest">The Dormouse‘s story</b> </p> <p class="story">Once upon a time there were three little sisters; and their names were <a href="http://example.com/elsie" class="sister" id="link1">Elsie</a>, <a href="http://example.com/lacie" class="sister" id="link2">Lacie</a> and <a href="http://example.com/tillie" class="sister" id="link3">Tillie</a>; and they lived at the bottom of a well.</p> <p class="story">...</p> """
1，五种过滤器
字符串、正则表达式、列表、True、方法
from bs4 import BeautifulSoup soup=BeautifulSoup(html_doc,‘lxml‘) #1、字符串：即标签名 print(soup.find_all(‘b‘)) #2、正则表达式 import re print(soup.find_all(re.compile(‘^b‘))) #找出b开头的标签，结果有body和b标签 #3、列表：如果传入列表参数,Beautiful Soup会将与列表中任一元素匹配的内容返回.下面代码找到文档中所有<a>标签和<b>标签: print(soup.find_all([‘a‘,‘b‘])) #4、True：可以匹配任何值,下面代码查找到所有的tag,但是不会返回字符串节点 print(soup.find_all(True)) for tag in soup.find_all(True): print(tag.name) #5、方法:如果没有合适过滤器,那么还可以定义一个方法,方法只接受一个元素参数 ,如果这个方法返回 True 表示当前元素匹配并且被找到,如果不是则反回 False def has_class_but_no_id(tag): return tag.has_attr(‘class‘) and not tag.has_attr(‘id‘) print(soup.find_all(has_class_but_no_id))
2、按照类名查找
注意：关键字是class_，class_=value,value可以是五种选择器之一
print(soup.find_all(‘a‘,class_=‘sister‘)) # 查找类为sister的a标签 print(soup.find_all(‘a‘,class_=‘sister ssss‘)) # 查找类为sister和sss的a标签，顺序错误也匹配不成功 print(soup.find_all(class_=re.compile(‘^sis‘))) # 查找类为sister的所有标签
3、attrs
print(soup.find_all(‘p‘,attrs={‘class‘:‘story‘}))
4、text
值可以是：字符，列表，True，正则
print(soup.find_all(text=‘Elsie‘)) print(soup.find_all(‘a‘,text=‘Elsie‘))
5、limit参数
如果文档树很大那么搜索会很慢.如果我们不需要全部结果,可以使用 limit 参数限制返回结果的数量.效果与SQL中的limit关键字类似,当搜索到的结果数量达到 limit 的限制时,就停止搜索返回结果
print(soup.find_all(‘a‘,limit=2))
6、recursive
调用tag的 find_all() 方法时,Beautiful Soup会检索当前tag的所有子孙节点,如果只想搜索tag的直接子节点,可以使用参数 recursive=False .
print(soup.html.find_all(‘a‘)) print(soup.html.find_all(‘a‘,recursive=False))
tag
像调用 find_all() 一样调用tag find_all() 几乎是Beautiful Soup中最常用的搜索方法,所以我们定义了它的简写方法. BeautifulSoup 对象和 tag 对象可以被当作一个方法来使用~
这个方法的执行结果与调用这个对象的 find_all() 方法相同~
# 下面两行代码是等价的: soup.find_all("a") soup("a") # 这两行代码也是等价的: soup.title.find_all(text=True) soup.title(text=True)
find
find( name , attrs , recursive , text , **kwargs )
find_all() 方法将返回文档中符合条件的所有tag,尽管有时候我们只想得到一个结果.比如文档中只有一个<body>标签,那么使用 find_all() 方法来查找<body>标签就不太合适, 使用 find_all 方法并设置 limit=1 参数不如直接使用 find() 方法
下面两行代码是等价的: soup.find_all(‘title‘, limit=1) # [<title>The Dormouse‘s story</title>] soup.find(‘title‘) # <title>The Dormouse‘s story</title>
唯一的区别是 find_all() 方法的返回结果是值包含一个元素的列表,而 find() 方法直接返回结果.
find_all() 方法没有找到目标是返回空列表, find() 方法找不到目标时,返回 None .
print(soup.find("nosuchtag")) # None
soup.head.title 是 tag的名字 方法的简写.这个简写的原理就是多次调用当前tag的 find() 方法:
soup.head.title # <title>The Dormouse‘s story</title> soup.find("head").find("title") # <title>The Dormouse‘s story</title>