爬虫第二课：解析网页中的元素

Posted 2020-11-14 liudi2017

一、基本步骤

在我们理解了网页中标签是如何嵌套，以及网页的构成之后，我们就是可以开始学习使用python中的第三方库BeautifulSoup筛选出一个网页中我们想要得到的数据。

接下来我们了解一下爬取网页信息的步骤。

想要获得我们所需的数据分三步

第一步：使用BeautifulSoup解析网页

Soup = BeautifulSoup(html,‘lxml‘)

第二步：描述想要爬去信息的东西在哪里。

信息 = Soup.select(‘???‘)

要知道它叫什么名字，如何去定位。

第三步：从标签中获得你想要的信息

<p>Something</p>

从标签中获取我们需要的信息，去掉一些没有用的结构，并且把我们获取的信息按照一定格式装在数据容器中，方便我们去查询。

 

二、两种路径获得方式详解

接下来，我们首先进行第一步，如何使用BeautifulSoup解析网页

Soup = BeautifulSoup(html,‘lxml‘)

实际上我们构造一个解析文件需要一个网页文件和解析查询库。就好比左边的Soup是汤，html是汤料，而lxml是食谱。

今天我们需要讲的BeautifulSoup，通过我们告诉它元素的具体的位置，就可以向他指定我们想要爬去的信息。

找到相应的元素右键检查的，看到元素的代码信息进行右击，我们有两种方式获得标签的位置的具体描述方式

1.使用copy selector

2.使用copy XPath

这两种复制的路径有什么区别，接下来就让大家看一下

右键标签copy selector复制出来的路径

body > div.body-wrapper > div.content-wrapper > div > div.main-content > div:nth-child(15) > a

右键标签copy XPath复制出来的路径

/html/body/div[4]/div[2]/div/div[2]/div[14]/a

这两种不同的路径描述方式，使用copy selector复制出来的路径叫做 CSS Selector，使用copy XPath复制出来的叫做XPath。

这两种路径的描述方式在今后的学习中我们都可以用的到，但是我们今天要学习的BeautifulSoup它只认第一种，就是CSS Selector。

但是为了方便我们以后的学习，更好认识网页间不同元素的结构，我们先讲一下XPath，在学习了它之后，CSS Selector也会更好的理解，同时日后我们需要学习的一些库也需要用到XPath去描述一些元素的位置。

对XPath和

XPath

1.什么是XPath

Xpath使用路径表达式在XML文档中进行导航，解析到路径跟踪到的XML元素。

2.XPath路径表达式

路径表达式是xpath的传入参数，xpath使用路径表达式对XML文档中的节点（或者多个节点）进行定位。

路径表达式类似这种：/html/body/div[4]/div[2]/div/div[2]/div[14]/a 或者 /html/body/div[@class=”content”] ，其中第二个路径中的[@class=”content”] 是为了在多个相同标签中定位到一个标签。

刚才拿到的那个XPath的路径 /html/body/div[4]/div[2]/div/div[2]/div[14]/a，就针对于这一串来讲，拿到的这个元素的完整路径，叫做绝对路径，其中每个‘/’就是一个节点，下面我们通过这个结构图我们可以简单了解一下。

 

 为了更清楚地了解各个节点之间的关系，通过下面的图片我们可以更直观的了解。

html是父节点相对于下面的节点是父节点，下面的body和head相对于html是是子节点，div标签相对于html标签是子孙节点。

其中body又相当于div标签的子节点，div标签之间是兄弟节点，基本的结构以及等级就是这样。

 

CSS Selector

1.什么是CSS Selector

 Css Selector定位实际就是HTML的Css选择器的标签定位。

 顾名思义CSS selector就是一种按照样式进行选择的一种标签选择方式。

2.CSS Selector路径表达式

在css selector路径中，最开始的路径是body，不像是XPath中最开始的是html，我们拿到刚才的那个路径看一下。

body > div.body-wrapper > div.content-wrapper > div > div.main-content > div:nth-child(15) > a

在这个路径中，在第一个div后面加了一个.body-wrapper，这个就是这个标签的样式，这种选择方式是按照样式进行选择的。

如果说XPath的路径是按照：谁，在哪，第几个的选择方式

那么CSS Selector是按照：谁，在哪，第几个，长什么样子进行选择

 

三、使用python代码爬取网页信息

通过刚才我们队网页中各种元素的路径认识之后，我们就可以简单的使用python的BeautifulSoup库进行代码级别实现网页信息爬取，废话不多说，直接上代码。

这里是爬去信息的网页就使用之前我进行联系的网页，网页源码的地址在https://www.cnblogs.com/liudi2017/p/7614919.html。

打开本地网页的方式建议使用pycharm中新建一个html文件将源代码复制进去，如果使用自带的记事本需要把保存格式改为utf-8。

 

#!/user/bin/env python
#-*- coding:utf-8 -*-

import requests
from bs4 import BeautifulSoup as bs

#1.使用BeautifulSoup解析网页
with open(‘./ddw.html‘,‘r‘,encoding=‘utf-8‘) as wb_data:    #我使用的是本地文件所以使用open函数打开本地路径下面的网页
    Soup = bs(wb_data,‘lxml‘)   #这里构造的是解析文件，wb_data是我们要解析的网页，lxml是解析库
    # images = Soup.select(‘body > div:nth-child(2) > div.body > div.body_moth > div:nth-child(6) > div:nth-child(1) > img‘)
                                #这里使用Soup的方法，直接在select后面括号里添加相应的路径就可以。在这里就拿到图片的信息
                                #但是这行代码会有出错信息，我们只需按照出错信息中的处理方式进行修改即可
    images = Soup.select(
        ‘body > div:nth-of-type(2) > div.body > div.body_moth > div > div:nth-of-type(1) > img‘
    )
    #通过上面那一行代码我们拿到了正确的图片信息,不过们把其倒数二个div的标签的css样式删除，这样就不再定位到单个图片，
    #就直接把所有同类型的图片筛选出来，为什么要删倒数第二个div的css样式，因为这个div标签的兄弟标签是其他图片标签的父标签
    titles = Soup.select(‘body > div:nth-of-type(2) > div.head_top > div.head_top_ee > ul > li > a‘)
    #再拿到这网页中的标题信息,同样的为了拿到所有的同类标题标签，根据位置信息删除li标签的css样式
    # print(images,titles,sep=‘
-----------------
‘)

for image,title in zip(images,titles):
    data = {
        ‘image‘: image.get(‘src‘),
        ‘title‘: title.get_text(),
    }
    print(data)

 

到这里，简单的网页信息爬取就完成了，我们通过这串代码拿到了网页中商品图片的地址，以及网页中分类标签，这次仅仅进行简单信息的爬取，接下来还会继续更新更多实例供大家参考学习。