爬虫02 /数据解析

Posted liubing8

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02 /数据解析相关的知识，希望对你有一定的参考价值。

目录

爬虫02 /数据解析

1. 数据解析概述

  • 什么是数据解析，数据解析可以干什么？

    • 概念：就是将一组数据中的局部数据进行提取。
    • 作用：使用来实现聚焦爬虫

  • 数据解析的通用原理

    • 问题：html展示的数据可以存储在哪里？
      • 标签之中
      • 属性中
    • 1.标签定位
    • 2.取文本或者取属性

  • 数据解析的常用方法

    • re

    • bs4

    • xpath

    • pyquery

2. 正则实现的数据解析

  • 需求：http://duanziwang.com/category/%E6%90%9E%E7%AC%91%E5%9B%BE/，将该网站中的图片数据进行爬取

  • 如何对图片（二进制）数据进行爬取

    方法一：

    import requests
headers = {
    'User-Agent':'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/75.0.3770.142 Safari/537.36'
}
url = 'http://duanziwang.com/usr/uploads/2019/02/3334500855.jpg'
pic_data = requests.get(url=url,headers=headers).content 
# content返回的是二进制类型的响应数据
with open('1.jpg','wb') as fp:
    fp.write(pic_data)

    方法二：urllib就是一个低版本的requests

    import urllib
url = 'http://duanziwang.com/usr/uploads/2019/02/3334500855.jpg'
urllib.request.urlretrieve(url=url,filename='./2.jpg')

  • 两种图片爬取的方法的区别是什么？

    • 方法1可以进行UA伪装，方法2不行

  • 抓包工具中response中显示的页面源码和开发者工具的Element选项卡显示的页面源码的区别是什么？

    • Element：显示的页面源码内容是当前网页加载完毕后对应的所有数据（包含动态加载的数据）

    • response：显示的内容仅仅是当前一个请求请求到的数据（不包含动态加载的数据）

  • 代码示例

    • 需求的实现：爬取了一页的数据
    import re
import os

url = 'http://duanziwang.com/category/%E6%90%9E%E7%AC%91%E5%9B%BE/'
page_text = requests.get(url,headers=headers).text  # 页面源码数据

# 新建一个文件夹
dirName = 'imgLibs'
if not os.path.exists(dirName):
    os.mkdir(dirName)

# 数据解析：每一张图片的地址
ex = '<article.*?<img src="(.*?)" alt=.*?</article>'
img_src_list = re.findall(ex,page_text,re.S)  # 爬虫中使用findall函数必须要使用re.S

for src in img_src_list:
    imgName = src.split('/')[-1]
    imgPath = dirName+'/'+imgName
    urllib.request.urlretrieve(url=src,filename=imgPath)
    print(imgName,'下载成功！！！')
    • 需求的实现：进行全站数据的爬取：爬取所有页码的图片数据
    # 制定一个通用的url模板，不可以被改变
url = 'http://duanziwang.com/category/搞笑图/%d/'

for page in range(1,4):
    new_url = format(url%page)
    page_text = requests.get(new_url,headers=headers).text  # 页面源码数据

    # 新建一个文件夹
    dirName = 'imgLibs'
    if not os.path.exists(dirName):
        os.mkdir(dirName)

    # 数据解析：每一张图片的地址
    ex = '<article.*?<img src="(.*?)" alt=.*?</article>'
    img_src_list = re.findall(ex,page_text,re.S)  # 爬虫中使用findall函数必须要使用re.S

    for src in img_src_list:
        imgName = src.split('/')[-1]
        imgPath = dirName+'/'+imgName
        urllib.request.urlretrieve(url=src,filename=imgPath)
        print(imgName,'下载成功！！！')

3. bs4实现数据解析

  • 环境的安装：
    • pip install bs4
    • pip install lxml
  • 解析原理
    • 实例化一个BeautifulSoup的一个对象，把即将被解析的页面源码内容加载到该对象中
    • 调用BeautifulSoup对象中相关的方法和属性进行标签定位和本文数据的提取
  • BeautifulSoup对象的实例化的方式：
    • BeautifulSoup(fp,‘lxml‘):将本地的文件内容加载到该对象中进行数据解析
    • BeautifulSoup(page_text,‘lxml‘)：将互联网上请求到的数据加载到该对象中进行数据解析

  • bs4相关解析操作

    • 标签定位：返回值一定是定位到的标签

      • soup.tagName:定位到第一个出现的tagName标签.返回的是单数
      • 属性定位：soup.find(‘tagName‘,attrName=‘value‘)，返回的是单数
      • find_all(‘tagName‘,attrName=‘value‘)返回的是复数(列表)
      • 选择器定位：select(‘选择器‘)，返回的也是一个列表
        • 层级选择器：
          • 大于号：表示一个层级
          • 空格：标识多个层级

    • 取文本

      • string:只可以将标签中直系的文本取出
      • text：可以将标签中所有的内容取出

    • 取属性

      • tag[‘attrName‘]

    • 代码示例

    from bs4 import BeautifulSoup
fp = open('./test.html','r',encoding='utf-8')
soup = BeautifulSoup(fp,'lxml')
soup.p
soup.find('div',class_='tang')
soup.find('a',id='feng')
soup.find_all('div',class_='tang')
soup.select('#feng')
soup.select('.tang > ul > li')
soup.select('.tang li')
tag = soup.title
tag.text
li_list = soup.select('.tang > ul > li')
li_list[6].text
div_tag = soup.find('div',class_='tang')
div_tag.text
a_tag = soup.select('#feng')[0]
a_tag['href']

  • 需求：http://www.shicimingju.com/book/sanguoyanyi.html 进行全篇小说内容的爬取

  • 分析：

    • 首页：解析出章节的名称+详情页的url
    • 详情页：解析章节的内容

  • 代码示例

    # 爬取到首页的页面数据
main_url = 'http://www.shicimingju.com/book/sanguoyanyi.html'
page_text = requests.get(main_url,headers=headers).text

fp = open('./sanguo.txt','a',encoding='utf-8')

# 解析章节名称+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   # 章节标题
    detail_url = 'http://www.shicimingju.com'+a['href']

    # 爬取详情页的页面源码内容
    detail_page_text = requests.get(url=detail_url,headers=headers).text
    # 解析章节内容
    detail_soup = BeautifulSoup(detail_page_text,'lxml')
    div_tag = detail_soup.find('div',class_="chapter_content")
    content = div_tag.text # 章节内容
    fp.write(title+':'+content+'
')
    print(title,'下载成功！！！')
fp.close()

4. xpath解析

  • 环境的安装：
    • pip install lxml
  • 解析原理（流程）
    • 实例化一个etree的对象，将解析的数据加载到该对象中
    • 需要调用etree对象中的xpath方法结合着不同的xpath表达式进行标签定位和文本数据的提取
  • etree对象的实例化
    • etree.parse(‘filePath‘):将本都数据加载到etree中
    • etree.HTML(page_text)：将互联网上的数据加载到该对象中
  • html中所有的标签都是遵从了树状的结构，便于我们实现高效的节点的遍历或者查找（定位）

  • xpath方法的返回值一定是复数（列表）

  • 标签定位

    • 最左侧的/:xpath表达式式一定要从根标签开始进行定位
    • 非最左侧的/:表示一个层级
    • 最左侧的//:从任意位置进行标签定位（常用）
    • 非最左侧//：表示多个层级
    • //tagName:定位到所有的tagName标签
    • 属性定位：//tagName[@attrName="value"]
    • 索引定位：//tagName[index],index索引是从1开始
    • 模糊匹配：
      • //div[contains(@class, "ng")]
      • //div[starts-with(@class, "ta")]

  • 取文本

    • /text():取直系的文本内容。列表只有一个元素
    • //text()：所有的文本内容。列表会有多个列表元素

  • 取属性

    • /@attrName

  • 代码示例

    from lxml import etree
tree = etree.parse('./test.html')
tree.xpath('/html/head/meta')
tree.xpath('/html//meta')
tree.xpath('//meta')
tree.xpath('//div')
tree.xpath('//div[@class="tang"]')
tree.xpath('//li[1]')
tree.xpath('//a[@id="feng"]/text()')[0]
tree.xpath('//div[2]//text()')
tree.xpath('//a[@id="feng"]/@href')

  • 需求：爬取解析虎牙中直播的房间名称，热度，详情页的url

    url = 'https://www.huya.com/g/lol'
page_text = requests.get(url=url,headers=headers).text
# 数据解析
tree = etree.HTML(page_text)
li_list = tree.xpath('//div[@class="box-bd"]/ul/li')
for li in li_list:
    # 实现局部解析：将局部标签下指定的内容进行解析
    # 局部解析xpath表达式中的最左侧的./表示的就是xpath方法调用者对应的标签
    title = li.xpath('./a[2]/text()')[0]
    hot = li.xpath('./span/span[2]/i[2]/text()')[0]
    detail_url = li.xpath('./a[1]/@href')[0]
    print(title,hot,detail_url)
    • xpath图片数据爬取+乱码的处理
    # url模板
url = 'http://pic.netbian.com/4kmeinv/index_%d.html'
for page in range(1,11):
    new_url = format(url%page)  # 只可以表示非第一页的页码连接
    if page == 1:
        new_url = 'http://pic.netbian.com/4kmeinv/'
    page_text = requests.get(new_url,headers=headers).text
    tree = etree.HTML(page_text)
    li_list = tree.xpath('//*[@id="main"]/div[3]/ul/li')
    for li in li_list:
        img_name = li.xpath('./a/img/@alt')[0]+'.jpg'
        img_name = img_name.encode('iso-8859-1').decode('gbk')
        img_src = 'http://pic.netbian.com'+li.xpath('./a/img/@src')[0]
        print(img_name,img_src)
    • 使用xpath管道符
    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() | //div[@class="bottom"]/ul/li/a/text()')
all_cities
    • xpath表达式中管道符的应用
      • 目的：使得xpath表达式具有更强的通用性

总结：

  1. content返回的是二进制类型的响应数据

    data = requests.get(url=url,headers=headers).content

  2. 正则re.S的使用

    • img_src_list = re.findall(ex,page_text,re.S)

    • 如果不使用re.S参数，则只在每一行内进行匹配，如果一行没有，就换下一行重新开始，不会跨行

      而使用re.S参数以后，正则表达式会将这个字符串作为一个整体，将“ ”当做一个普通的字符加入到这个字符串中，在整体中进行匹配

  3. new_url = format(url%page)

    def format(value, format_spec='', /)
 Return value.__format__(format_spec)

  4. urllib用的是request请求数据，不是requests

以上是关于爬虫02 /数据解析的主要内容，如果未能解决你的问题，请参考以下文章

scrapy主动退出爬虫的代码片段(python3)

爬虫 ItemLoader

爬虫代码实现三：打通爬虫项目的下载解析存储流程

Android 逆向使用 Python 解析 ELF 文件 ( Capstone 反汇编 ELF 文件中的机器码数据 | 创建反汇编解析器实例对象 | 设置汇编解析器显示细节 )(代码片段

JAVA爬虫--JS文件数据快速解析

Relay.js 没有正确解析组合片段