BeautifulSoup模板简单应用-提取html指定数据(api_name/api_method/api_path,请求body/请求header/pagam参数)

Posted qtclm

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BeautifulSoup模板简单应用-提取html指定数据(api_name/api_method/api_path,请求body/请求header/pagam参数)相关的知识,希望对你有一定的参考价值。

from bs4 import BeautifulSoup
import re
import os.path
import itertools

name=newcrm
source_file_path=./+name+.html

def get_apiInfo():
    with open(source_file_path,encoding=utf-8) as api_file:
        fileInfo=api_file.read()
        soup = BeautifulSoup(fileInfo,lxml)  #这里没有装lxml的话,把它去掉用默认的就好
        #匹配带有class属性的div标签
        divList = soup.find_all(div, attrs=class: re.compile("api-one"))
        # print(len(divList))
        apiInfo_list=[]#存放所有的api_list
        try:
            for alltag in divList:
                h3List=alltag.find_all(h3)#在每个div标签下,查找所有的h3标签(包含接口名称)
                pList = alltag.find_all(p)  #在每个div标签下,查找所有的p标签(包含请求url与请求方法)
                tableList=alltag.find_all("table")#匹配div下所有线程的table标签(取出header字段/body字段)
                dictInfo=
                api_descride_name_list,api_descride_example_list,api_descride_type_list=[],[],[]
                ‘‘‘所有的接口描述信息:名称/描述/类型‘‘‘
                query_Param_name_list,query_Param_type_list,query_Param_IsNeed_list=[],[],[]
                query_Param_describe_list,query_Param_example_list=[],[]
                ‘‘‘所有的query参数信息:名称/类型/是否必填/描述,主要用于get请求‘‘‘
                body_Param_name_list,body_Param_type_list,body_Param_IsNeed_list=[],[],[]
                body_Param_describe_list,body_Param_example_list=[],[]
                ‘‘‘所有的body参数信息:名称/类型/是否必填/描述,主要用于post/put/delete请求‘‘‘
                header_Param_name_list,header_Param_type_list,header_Param_IsNeed_list=[],[],[]
                header_Param_describe_list,header_Param_example_list=[],[]
                ‘‘‘所有的header参数信息:名称/类型/是否必填/描述‘‘‘
                # if divList.index(alltag)==len(divList):
                if not len(pList)<3:#如果请求方式/请求url为空则不执行后面的程序
                    api_name=h3List[0].string.strip()#匹配h3标签下的接口名称
                    api_method=pList[1].string.strip()#这里提取请求方式
                    api_path=pList[2].string.strip() #这里提取url,并去除空格
                    dictInfo[api_name]=api_name
                    dictInfo[api_method]=api_method
                    dictInfo[api_path]=api_path
                    header_list=[]#存放header值
                    body_list=[]#存放body值
                    query_list=[]#存放query值
                    api_descride_list=[]#存放所有接口描述信息
                    # print(api_name)
                    # print(api_method)   
                    # print(api_path)  
                    IsEmpty_str=Null_Str#处理匹配为空时的字符串占位符
                    if not tableList in([],None):
                        for table in tableList:
                            table_title=table.tr.th.span.string#匹配table表头
                            table_thead=table.find_all(thead)#匹配table里的所有thead标签:字段title(描述)
                            table_tbody=table.find_all(tbody)#匹配字段value                            
                            tbody_temp_list1,tbody_temp_list2=[],[]#临时存放接口描述数据
                            for tbody in table_tbody:
                                tbody_key_type=tbody.find_all(th)#匹配出字段的类型
                                tbody_key_field=tbody.find_all(td)#匹配出字段的value
                                for tbody_name in tbody_key_field :#取出所有字段
                                    if not tbody_name.string is None:
                                        tbody_key=tbody_name.string.strip()
                                    else:
                                        tbody_name=IsEmpty_str#处理为空的情况
                                        tbody_key=tbody_name
                                        #将能够被5整除的字段放入body中(代表的是header/body)
                                    # print(tbody_name)
                                    if len(tbody_key_field)%5==0:
                                        if table_title in(Query参数名):
                                            ‘‘‘如果table的名称是Query,则添加到Query列表中‘‘‘
                                            query_list.append(tbody_key)
                                        elif table_title in(Body参数名):
                                            ‘‘‘如果table的名称是body,则添加到body列表中‘‘‘
                                            body_list.append(tbody_key)
                                        elif table_title in(Header参数名):
                                            ‘‘‘如果table的名称是header,则添加到header列表中‘‘‘
                                            header_list.append(tbody_key)#将能够被5整除的字段放入body中(代表的是header/body)
                                    elif len(tbody_key_field)%2==0 and table_title ==(参数名):
                                        tbody_temp_list1.append(tbody_key)#剩下的放入参数名信息中,代表的是参数名描述
                                # print(header_list)
                                # print(body_list)
                                # print(tbody_temp_list1)
                                if not tbody_key_type==[]:
                                    for tbody_type in tbody_key_type:
                                        if type(tbody_type)!=(str,int):#只处理type为tag的                                         
                                            if not (tbody_type.string is None) :
                                                tbody_field=tbody_type.string.strip()
                                                tbody_temp_list2.append(tbody_field)
                                            else:
                                                tbody_type=IsEmpty_str#处理为空的情况
                                                tbody_temp_list2.append(tbody_type)
                                    # print(tbody_temp_list2)
                                    temp_num=int(len(tbody_temp_list1)/len(tbody_temp_list2))
                                    #计算出两个list的对应关系,这里是2:1,
                                    #需要添加tbody_temp_list1key添加两次后在添加tbody_temp_list2的值
                                    for temp_tuple in enumerate(tbody_temp_list2):
                                        #将tbody_temp_list1/tbody_temp_list2的元素添加至api_descride_list
                                        #‘‘‘temp_tuple:是一个元组,第一个参数是index,第二个是value‘‘‘
                                        for num in range(temp_num):
                                        #因为tbody_temp_list1/tbody_temp_list2是多对1,
                                        #因为接口描述里的type是单独的th标签里的值,
                                        #而其他的值是td标签里面的值,所以需要将两个列表的元素进行合并
                                            api_descride_list.append(tbody_temp_list1[temp_tuple[0]*(temp_num)+num])
                                        else:
                                            api_descride_list.append(temp_tuple[1])
                                    # print(header_list)
                                    # print(body_list)
                                    # print(api_descride_list)
                                    # 
                    if not header_list in([],None):#处理header列表中字段为空的情况
                        for n,m in enumerate(header_list):
                        #删除filed(不存在)的相关元素,这个是apizza导出的bug导致的
                        #因为列表存在多个相同的值,所以不能使用index方法来获取元素下标,
                        #使用enumerate来获取list的值与对应的下标
                            if m in("","") :#根据m的值找到对应的下表n
                                try:
                                    if header_list[(n+3)]==IsEmpty_str:
                                #如果n后面的第三个元素不是一个字段,而是事先定义的为空的字符串,则删除索引后面的五个元素
                                        for i in range(5):
                                            del header_list[n+3]
                                except IndexError as error:
                                    pass

                        for header_data in enumerate(header_list):#将列表中的值分别添加至各个列表
                            if header_data[0]==0 or header_data[0]%5==0 :
                                header_Param_name_list.append(header_data[1])
                            elif header_data[0]==1 or header_data[0]%5==1 :
                                header_Param_type_list.append(header_data[1])
                            elif header_data[0]==2 or header_data[0]%5==2:
                                header_Param_IsNeed_list.append(header_data[1])
                            elif header_data[0]==3 or header_data[0]%5==3:
                                header_Param_describe_list.append(header_data[1])
                            elif header_data[0]==4 or header_data[0]%5==4:
                                header_Param_example_list.append(header_data[1])

                    if not query_list in([],None):
                        for n,m in enumerate(query_list):#处理query列表中字段为空的情况
                        #因为列表可能存在多个相同的值,所以不能使用index方法来获取元素下标,
                        #使用enumerate来获取list的值与对应的下标
                            if m in("","") :#根据m的值找到对应的下表n
                                try:
                                    if query_list[(n+3)]==IsEmpty_str:
                                #如果n后面的第三个元素不是一个字段,而是事先定义的为空的字符串,
                                #则删除索引后面的五个元素
                                        for i in range(5):
                                            del query_list[n+3]
                                except IndexError as error:
                                    pass
                        for query_data in enumerate(query_list):#将列表中的值分别添加至各个列表
                            if query_data[0]==0 or query_data[0]%5==0 :
                                query_Param_name_list.append(query_data[1])
                            elif query_data[0]==1 or query_data[0]%5==1 :
                                query_Param_type_list.append(query_data[1])
                            elif query_data[0]==2 or query_data[0]%5==2:
                                query_Param_IsNeed_list.append(query_data[1])
                            elif query_data[0]==3 or query_data[0]%5==3:
                                query_Param_describe_list.append(query_data[1])
                            elif query_data[0]==4 or query_data[0]%5==4:
                                query_Param_example_list.append(query_data[1])

                    if not body_list in([],None):
                        for n,m in enumerate(body_list):#处理body列表中字段为空的情况
                        #因为列表可能存在多个相同的值,所以不能使用index方法来获取元素下标,
                        #使用enumerate来获取list的值与对应的下标
                            if m in("","") :#根据m的值找到对应的下表n
                                try:
                                    if body_list[(n+3)]==IsEmpty_str:
                                #如果n后面的第三个元素不是一个字段,而是事先定义的为空的字符串,
                                #则删除索引后面的五个元素
                                        for i in range(5):
                                            del body_list[n+3]
                                except IndexError as error:
                                    pass
                        for body_data in enumerate(body_list):#将列表中的值分别添加至各个列表
                            if body_data[0]==0 or body_data[0]%5==0 :
                                body_Param_name_list.append(body_data[1])
                            elif body_data[0]==1 or body_data[0]%5==1 :
                                body_Param_type_list.append(body_data[1])
                            elif body_data[0]==2 or body_data[0]%5==2:
                                body_Param_IsNeed_list.append(body_data[1])
                            elif body_data[0]==3 or body_data[0]%5==3:
                                body_Param_describe_list.append(body_data[1])
                            elif body_data[0]==4 or body_data[0]%5==4:
                                body_Param_example_list.append(body_data[1])
                            

                    if not api_descride_list in([],None):#处理header列表中字段为空的情况
                        for api_descride_data in enumerate(api_descride_list):#将列表中的值分别添加至各个列表
                            if api_descride_data[0]==0 or api_descride_data[0]%3==0 :
                                api_descride_name_list.append(api_descride_data[1])
                            elif api_descride_data[0]==1 or api_descride_data[0]%3==1 :
                                api_descride_example_list.append(api_descride_data[1])
                            elif api_descride_data[0]==2 or api_descride_data[0]%3==2:
                                api_descride_type_list.append(api_descride_data[1])

                    
                    if not header_list in(None,[]):
                        dictInfo[Header]=
                        dictInfo[Header][参数名]=header_Param_name_list
                        dictInfo[Header][类型]=header_Param_type_list
                        dictInfo[Header][必需]=header_Param_IsNeed_list
                        dictInfo[Header][描述]=header_Param_describe_list
                        dictInfo[Header][示例]=header_Param_example_list


                    if not query_list in(None,[]):
                        dictInfo[Query]=
                        dictInfo[Query][参数名]=query_Param_name_list
                        dictInfo[Query][类型]=query_Param_type_list
                        dictInfo[Query][必需]=query_Param_IsNeed_list
                        dictInfo[Query][描述]=query_Param_describe_list
                        dictInfo[Query][示例]=query_Param_example_list

                    if not body_list in(None,[]):
                        dictInfo[Body]=
                        dictInfo[Body][参数名]=body_Param_name_list
                        dictInfo[Body][类型]=body_Param_type_list
                        dictInfo[Body][必需]=body_Param_IsNeed_list
                        dictInfo[Body][描述]=body_Param_describe_list
                        dictInfo[Body][示例]=body_Param_example_list

                    if not api_descride_list in(None,[]):
                        dictInfo[接口说明]=
                        dictInfo[接口说明][参数名]=api_descride_name_list
                        dictInfo[接口说明][描述]=api_descride_example_list
                        dictInfo[接口说明][类型]=api_descride_type_list


                    # dictInfo[‘header_list‘]=header_list
                    # dictInfo[‘body_list‘]=body_list
                    # dictInfo[‘api_descride_list‘]=api_descride_list
                    apiInfo_list.append(dictInfo)
                        
        except Exception as error:
            # pass
            raise(error)
        return apiInfo_list
def write_apiInfo_to_file():
    source_data=get_apiInfo()#获取数据来源
    print(len(source_data))
    file_path=./+name+-apiInfo.txt
    with open(file_path,w,encoding=utf-8) as file:
        file.write(str(source_data))

write_apiInfo_to_file()

 

以上是关于BeautifulSoup模板简单应用-提取html指定数据(api_name/api_method/api_path,请求body/请求header/pagam参数)的主要内容,如果未能解决你的问题,请参考以下文章

Python 爬虫 BeautifulSoup4 库的使用

使用PyQt5和BeautifulSoup将JavaScript变量提取到Python字典中

从 beautifulsoup 元素中提取原始字符串位置

bs4_2

如何通过 Python Selenium BeautifulSoup 从网站中提取证券价格作为文本

BeautifulSoup 解析后返回间隔文本