bp4解析库

pip3 install beautifulsoup4 # 安装bs4
pip3 install lxml # 下载lxml解析器

html_doc = """

<html><head><title>The Dormouse's story</title></head>

<body>

<p class="sister"><b>$37</b></p>

<p class="story" id="p">Once upon a time there were three little sisters; and their names were

<a href="http://example.com/elsie" class="sister" >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>

"""

# 从bs4中导入BeautifulSoup

from bs4 import BeautifulSoup

# 调用BeautifulSoup实例化得到一个soup对象

# 参数一: 解析文本

# 参数二:

# 参数二: 解析器（html.parser、lxml...）

soup = BeautifulSoup(html_doc, 'lxml')

print(soup)

print('*' * 100)

print(type(soup))

print('*' * 100)

# 文档美化

html = soup.prettify()

print(html)

遍历文档树：
1、直接使用
2、获取标签的名称
3、获取标签的属性
4、获取标签的内容
5、嵌套选择
6、子节点、子孙节点
7、父节点、祖先节点
8、兄弟节点

# 1、直接使用

print(soup.p)  # 查找第一个p标签

print(soup.a)  # 查找第一个a标签

# 2、获取标签的名称

print(soup.head.name)  # 获取head标签的名称

# 3、获取标签的属性

print(soup.a.attrs)  # 获取a标签中的所有属性

print(soup.a.attrs['href'])  # 获取a标签中的href属性

# 4、获取标签的内容

print(soup.p.text)  # $37

# 5、嵌套选择

print(soup.html.head)

# 6、子节点、子孙节点

print(soup.body.children)  # body所有子节点，返回的是迭代器对象

print(list(soup.body.children))  # 强转成列表类型

print(soup.body.descendants)  # 子孙节点

print(list(soup.body.descendants))  # 子孙节点

#  7、父节点、祖先节点

print(soup.p.parent)  # 获取p标签的父亲节点

# 返回的是生成器对象

print(soup.p.parents)  # 获取p标签所有的祖先节点

print(list(soup.p.parents))

# 8、兄弟节点

# 找下一个兄弟

print(soup.p.next_sibling)

# 找下面所有的兄弟，返回的是生成器

print(soup.p.next_siblings)

print(list(soup.p.next_siblings))

# 找上一个兄弟

print(soup.a.previous_sibling)  # 找到第一个a标签的上一个兄弟节点

# 找到a标签上面的所有兄弟节点

print(soup.a.previous_siblings)  # 返回的是生成器

print(list(soup.a.previous_siblings))

搜索文档树:
find() 找一个
find_all() 找多个

标签查找与属性查找:
标签:
name 属性匹配
attrs 属性查找匹配
text 文本匹配

- 字符串过滤器
字符串全局匹配

- 正则过滤器
re模块匹配

- 列表过滤器
列表内的数据匹配

- bool过滤器
True匹配

- 方法过滤器
用于一些要的属性以及不需要的属性查找。

属性:
- class_
- id

from bs4 import BeautifulSoup

soup = BeautifulSoup(html_doc, 'lxml')

# # 字符串过滤器

# # name

# p_tag = soup.find(name='p')

# print(p_tag)  # 根据文本p查找某个标签

# # 找到所有标签名为p的节点

# tag_s1 = soup.find_all(name='p')

# print(tag_s1)

#

#

# # attrs

# # 查找第一个class为sister的节点

# p = soup.find(attrs={"class": "sister"})

# print(p)

# # 查找所有class为sister的节点

# tag_s2 = soup.find_all(attrs={"class": "sister"})

# print(tag_s2)

#

#

# # text

# text = soup.find(text="$37")

# print(text)

#

#

# # 配合使用:

# # 找到一个id为link2、文本为Lacie的a标签

# a_tag = soup.find(name="a", attrs={"id": "link2"}, text="Lacie")

# print(a_tag)

# # 正则过滤器

# import re

# # name

# p_tag = soup.find(name=re.compile('p'))

# print(p_tag)

# 列表过滤器

# import re

# # name

# tags = soup.find_all(name=['p', 'a', re.compile('html')])

# print(tags)

# - bool过滤器

# True匹配

# 找到有id的p标签

# p = soup.find(name='p', attrs={"id": True})

# print(p)

# 方法过滤器

# 匹配标签名为a、属性有id没有class的标签

# def have_id_class(tag):

#     if tag.name == 'a' and tag.has_attr('id') and tag.has_attr('class'):

#         return tag

#

# tag = soup.find(name=have_id_class)

# print(tag)

爬取豌豆荚游戏主页

主页:
图标地址、下载次数、大小、详情页地址

详情页:
游戏名、图标名、好评率、评论数、小编点评、简介、网友评论、1-5张截图链接地址、下载地址
https://www.wandoujia.com/wdjweb/api/category/morecatId=6001&subCatId=0&page=1&ctoken=FRsWKgWBqMBZLdxLaK4iem9B

https://www.wandoujia.com/wdjweb/api/category/morecatId=6001&subCatId=0&page=2&ctoken=FRsWKgWBqMBZLdxLaK4iem9B

https://www.wandoujia.com/wdjweb/api/category/morecatId=6001&subCatId=0&page=3&ctoken=FRsWKgWBqMBZLdxLaK4iem9B

import requests

from bs4 import BeautifulSoup

# 1、发送请求

def get_page(url):

    response = requests.get(url)

    return response

# 2、开始解析

# 解析主页

def parse_index(data):

    soup = BeautifulSoup(data, 'lxml')

    # 获取所有app的li标签

    app_list = soup.find_all(name='li', attrs={"class": "card"})

    for app in app_list:

        # print('tank *' * 1000)

        # print(app)

        # 图标地址

        img = app.find(name='img').attrs['data-original']

        print(img)

        # 下载次数

        down_num = app.find(name='span', attrs={"class": "install-count"}).text

        print(down_num)

        import re

        # 大小

        size = soup.find(name='span', text=re.compile("\d+MB")).text

        print(size)

        # 详情页地址

        detail_url = soup.find(name='a', attrs={"class": "detail-check-btn"}).attrs['href']

        print(detail_url)

def main():

    for line in range(1, 33):

        url = f"https://www.wandoujia.com/wdjweb/api/category/more?catId=6001&subCatId=0&page={line}&ctoken=FRsWKgWBqMBZLdxLaK4iem9B"

        # 1、往app接口发送请求

        response = get_page(url)

        # print(response.text)

        print('*' * 1000)

        # 反序列化为字典

        data = response.json()

        # 获取接口中app标签数据

        app_li = data['data']['content']

        # print(app_li)

        # 2、解析app标签数据

        parse_index(app_li)

if __name__ == '__main__':

    main()

爬取豌豆荚数据

import requests

from bs4 import BeautifulSoup

# 1、发送请求

def get_page(url):

    response = requests.get(url)

    return response

# 2、开始解析

# 解析详情页

def parse_detail(text):

    soup = BeautifulSoup(text, 'lxml')

    # print(soup)

    # app名称

    name = soup.find(name="span", attrs={"class": "title"}).text

    # print(name)

    # 好评率

    love = soup.find(name='span', attrs={"class": "love"}).text

    # print(love)

    # 评论数

    commit_num = soup.find(name='a', attrs={"class": "comment-open"}).text

    # print(commit_num)

    # 小编点评

    commit_content = soup.find(name='div', attrs={"class": "con"}).text

    # print(commit_content)

    # app下载链接

    download_url = soup.find(name='a', attrs={"class": "normal-dl-btn"}).attrs['href']

    # print(download_url)

    print(

        f'''

        ============= tank ==============

        app名称:{name}

        好评率: {love}

        评论数: {commit_num}

        小编点评: {commit_content}

        app下载链接: {download_url}

        ============= end ==============

        '''

    )

# 解析主页

def parse_index(data):

    soup = BeautifulSoup(data, 'lxml')

    # 获取所有app的li标签

    app_list = soup.find_all(name='li', attrs={"class": "card"})

    for app in app_list:

        # print(app)

        # print('tank' * 1000)

        # print('tank *' * 1000)

        # print(app)

        # 图标地址

        # 获取第一个img标签中的data-original属性

        img = app.find(name='img').attrs['data-original']

        print(img)

        # 下载次数

        # 获取class为install-count的span标签中的文本

        down_num = app.find(name='span', attrs={"class": "install-count"}).text

        print(down_num)

        import re

        # 大小

        # 根据文本正则获取到文本中包含 数字 + MB（\d+代表数字）的span标签中的文本

        size = soup.find(name='span', text=re.compile("\d+MB")).text

        print(size)

        # 详情页地址

        # 获取class为detail-check-btn的a标签中的href属性

        # detail_url = soup.find(name='a', attrs={"class": "name"}).attrs['href']

        # print(detail_url)

        # 详情页地址

        detail_url = app.find(name='a').attrs['href']

        print(detail_url)

        # 3、往app详情页发送请求

        response = get_page(detail_url)

        # 4、解析app详情页

        parse_detail(response.text)

def main():

    for line in range(1, 33):

        url = f"https://www.wandoujia.com/wdjweb/api/category/more?catId=6001&subCatId=0&page={line}&ctoken=FRsWKgWBqMBZLdxLaK4iem9B"

        # 1、往app接口发送请求

        response = get_page(url)

        # print(response.text)

        print('*' * 1000)

        # 反序列化为字典

        data = response.json()

        # 获取接口中app标签数据

        app_li = data['data']['content']

        # print(app_li)

        # 2、解析app标签数据

        parse_index(app_li)

if __name__ == '__main__':

    main()

pymongo使用

from pymongo import MongoClient

# 1、链接mongoDB客户端

# 参数1: mongoDB的ip地址

# 参数2: mongoDB的端口号 默认:27017

client = MongoClient('localhost', 27017)

# print(client)

# 2、进入tank_db库,没有则创建

 print(client['tank_db'])

# 3、创建集合

 print(client['tank_db']['people'])

# 4、给tank_db库插入数据

# 1.插入一条

 data1 = {

     'name': 'tank',

     'age': 18,

     'sex': 'male'

 }

 client['tank_db']['people'].insert(data1)

# 2.插入多条

# data1 = {

#     'name': 'tank',

#     'age': 18,

#     'sex': 'male'

# }

# data2 = {

#     'name': '戚志云',

#     'age': 84,

#     'sex': 'female'

# }

# data3 = {

#     'name': '沈金金',

#     'age': 73,

#     'sex': 'male'

# }

# client['tank_db']['people'].insert([data1, data2, data3])

#

# # 5、查数据

# # 查看所有数据

 data_s = client['tank_db']['people'].find()

# print(data_s)  # <pymongo.cursor.Cursor object at 0x000002EEA6720128>

# # 需要循环打印所有数据

# for data in data_s:

#     print(data)

#

# # 查看一条数据

# data = client['tank_db']['people'].find_one()

# print(data)

# 官方推荐使用

# 插入一条insert_one

# client['tank_db']['people'].insert_one()

# 插入多条insert_many

# client['tank_db']['people'].insert_many()

巴特西

Python Learning Day8

bp4解析库

最新文章

热门文章