数据解析

什么是数据解析及作用

概念:就是将一组数据中的局部数据进行提取

作用:来实现聚焦爬虫

数据解析的通用原理

标签定位

取文本或者属性

正则解析

正则回顾

单字符：

    . : 除换行以外所有字符

    [] ：[aoe] [a-w] 匹配集合中任意一个字符

    \d ：数字  [0-9]

    \D : 非数字

    \w ：数字、字母、下划线、中文

    \W : 非\w

    \s ：所有的空白字符包,括空格、制表符、换页符等等。等价于 [ \f\n\r\t\v]。

    \S : 非空白

数量修饰：

    * : 任意多次  >=0

    + : 至少1次   >=1

    ? : 可有可无  0次或者1次

    {m} ：固定m次 hello{3,}

    {m,} ：至少m次

    {m,n} ：m-n次

边界：

    $ : 以某某结尾

    ^ : 以某某开头

分组：

    (ab)

    贪婪模式： .*

    非贪婪（惰性）模式： .*?

    re.I : 忽略大小写

    re.M ：多行匹配

    re.S ：单行匹配

    re.sub(正则表达式, 替换内容, 字符串)

正则练习

import re

#提取出python

key="javapythonc++php"

res = re.findall('python',key)[0]   #re.findall('python',key)返回的结果是列表类型的数据

print(res)

#提取出hello world

key="<html><h1>hello world<h1></html>"

re.findall('<h1>(.*)<h1>',key)[0]

#提取170

string = '我喜欢身高为170的女孩'

re.findall('\d+',string)

#提取出http://和https://

key='http://www.baidu.com and https://boob.com'

re.findall('https?://',key)

#提取出hello

key='lalala<hTml>hello</HtMl>hahah' #输出<hTml>hello</HtMl>

re.findall('<[Hh][Tt][mM][lL]>(.*)</[Hh][Tt][mM][lL]>',key)

#提取出hit.

key='bobo@hit.edu.com'#想要匹配到hit.

re.findall('h.*?\.',key)

#匹配sas和saas

key='saas and sas and saaas'

re.findall('sa{1,2}s',key)

正则爬取

#进行全站数据的爬取：爬取所有页码的图片数据

#需求的实现

#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！！！')

bs4

环境的安装:

   pip install bs4

   pip install lxml

bs4的解析原理

   实例化一个BeautifulSoup的对象,并且将即将被解析的页面源码数据加载到该对象中

   调用BeautifulSoup对象中的相关属性和方法进行标签定位和数据提取

如何实例化BeautifulSoup对象呢?

   BeautifulSoup(fp,'lxml'):专门用作于解析本地存储的html文档中的数据

   BeautifulSoup(page_text,'lxml'):专门用作于将互联网上请求到的页面源码数据进行解析

bs4的基本语法

基础语法：

	soup = BeautifulSoup(page_text,'lxml')

    （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      获取a标签的直系文本

        - soup.a.text　　　　 这是属性,获取a子类的所有文本

        - soup.a.get_text()  这是方法,获取a标签子类的所有文本

       【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") 具有title=a属性的

        - 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

　　　　　　　　select就是css选择器

        【注意】select选择器返回永远是列表，需要通过索引提取指定的对象

select 和 find 和findall

soup = BeautifulSoup(html, ‘lxml‘)

s = soup.select(‘div .lily‘)#select的写法和find有区别，select是标签和class都在一个字符串里，find是两个字符串，用逗号隔开

f = soup.find(‘div‘,class_ = ‘lily‘) #find只取第一个值，返回的是字符串

fa = soup.find_all(‘div‘,class_ = ‘lily‘)#find——all是全部的值和select一样，是一个列表

fal = soup.find_all(‘div‘,class_ = ‘lily‘,limit=1)#find——all是全部的值和select一样，是一个列表,加limit属性后只返回第一个

print(s)

print(f)

print(fa)

print(fal)

>>>

[<div class="lily" id="ben">大笨蛋</div>, <div class="lily" id="ben">是个大笨蛋吗？</div>]

<div class="lily" id="ben">大笨蛋</div>

[<div class="lily" id="ben">大笨蛋</div>, <div class="lily" id="ben">个大笨蛋吗？</div>]

[<div class="lily" id="ben">大笨蛋</div>]

属性定位:soup.find('tagName',attrName='value'),返回也是单数

	    find_all:和find用法一致,但是返回值是列表

1.　name参数的四种过滤器

　　soup=Beautifulsoup('page','lxml')

　	不带过滤器: print(soup.find_all())　 #没有过滤,查找所有标签

	字符串过滤器: print (soup.find_all())　　#字符串过滤器,即标签名

	列表: print(soup.find_(['a','b'])) #找到所有的a标签和b标签,任一即可

	正则: print(soup.find_all(re.complie('^b'))) #找到所有b开头的标签

	方法: 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))

7.	find和find_all一样

爬取三国演义的章节信息和文章内容

分析:

1.先获取三国演义的主页面,里面包含了三国演义的文章章节标题,每个文章的章节都是一个a标签,访问这个a标签,就能查看文章的内容

2.发送请求,请求三国演义的主界面

3.在三国演义的主页面的html源码中找到章节的标签位置,定位标签位置

4.拿到列表数据,循环列表,循环发送章节的内容的请求

import requests

from bs4 import BeautifulSoup   # 导入BeautifulSoup

url = 'http://www.shicimingju.com/book/sanguoyanyi.html'  #

headers={

    'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/75.0.3770.100 Safari/537.36'

}

sg_list = requests.get(url=url,headers=headers).text

soup = BeautifulSoup(sg_list,'lxml')

content = soup.select('.book-mulu > ul > li > a')  #章节的标签

f = open('sanguo.txt','w',encoding='utf-8')

for i in content:

    new_url = 'http://www.shicimingju.com'+i['href']   #拼接标签的访问路径

    title = i.string

    detail = requests.get(url=new_url,headers=headers).text  #循环发送对文章内容的请求

    soup = BeautifulSoup(detail,'lxml')

    new_detail = soup.find('div',class_="chapter_content").text

    f.write(new_detail)

    print(title+'爬取成功')

f.close()

xpath

xpath安装及基本语法

环境的安装:pip install lxml

xpath的解析原理

    实例化一个etree类型的对象,且将页面源码数据加载到该对象中

    需要调用该对象的xpath方法结合着不同形式的xpath表达式进行标签定位和数据提取

etree对象的实例化

	etree.parse(fileNane) #本地的html文件

	etree.HTML(page_text) #声明了一段HTML文本，调用HTML类进行初始化，构造了一个XPath解析对象

	xpath方法返回的永远是一个列表

标签定位

	xpath表达式中最最侧的/表示的含义是说,当前定位的标签必须从根节点开始进行定位

	xpath表达式中最左侧的//表示可以从任意位置进行标签定位

	xpath表达式中非最左侧的//表示的是多个层级的意思

	xpath表达式中非最左侧的/表示的是一个层级的意思

属性定位

    //标签名[@arrtName='value']

    循环中标签定位: ./表示当前标签

    索引定位://标签名/li[3] #第三个li标签

提取数据

	取文本:

		/text():取直系的文本内容

		//text():取所有的文本内容,循环中不能再用索引,例如文本中有br标签分割

	取属性:

		tag/@attrName

举例:

from lxml import etree

tree = etree.parse('./test.html')

tree.xpath('/html/head/meta')[0] #绝对路径

tree.xpath('//meta')[0] #相对路径,将整个页面源码中所有的meta进行定位

tree.xpath('/html//meta')[0] 

#属性定位

tree.xpath('//div[@class="song"]')

#索引定位

tree.xpath('//div[@class="tang"]/ul/li[3]') #该索引是从1开始

tree.xpath('//div[@class="tang"]//li[3]') #该索引是从1开始

#取文本

tree.xpath('//p[1]/text()')

tree.xpath('//div[@class="song"]//text()')

#取属性

tree.xpath('//a[@id="feng"]/@href')

爬取boss的招聘信息

爬取的内容:岗位名称,公司名称,薪资,岗位描述

url = 'https://www.zhipin.com/job_detail/?  query=python%E7%88%AC%E8%99%AB&city=101010100&industry=&position='   # python爬虫岗位的url

headers={

    'cookie': '_uab_collina=157338945037017905889165; __c=1573389450; __g=-; __l=l=%2Fwww.zhipin.com%2Fweb%2Fcommon%2Fsecurity-check.html%3Fseed%3Dl%252FiZaxWImFKXsBkSlPZFk9r1hTxzYO%252BbuuzP3sRZC3A%253D%26name%3Dcb43d3e3%26ts%3D1573389319454%26callbackUrl%3D%252Fjob_detail%252F%253Fquery%253Dpython%2525E7%252588%2525AC%2525E8%252599%2525AB%2526city%253D101010100%2526industry%253D%2526position%253D%26srcReferer%3D&r=&friend_source=0&friend_source=0; Hm_lvt_194df3105ad7148dcf2b98a91b5e727a=1573389451,1573390721; Hm_lpvt_194df3105ad7148dcf2b98a91b5e727a=1573392780; __zp_stoken__=48121bb20qltoY5SdLcZPo5yn7gLjgHQMQN16Gyq4%2B26dpVXYTOQYI8oCaMpwStY3B5JC%2Fg5rjYSnOw4oEuk5fSh4A%3D%3D; __a=96130844.1573389450..1573389450.7.1.7.7',

    'user-agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/75.0.3770.100 Safari/537.36'

}

#cookies反爬机制,cookies有可能随时变化

page_text = requests.get(url,headers=headers).text

#数据解析

tree = etree.HTML(page_text)

li_list = tree.xpath('//div[@class="job-list"]/ul/li')

for li in li_list:

#     需要将li表示的局部页面源码数据中的相关数据进行提取

#     如果xpath表达式被作用在了循环中,表达式要以./或者.//开头

    detail_url = 'https://www.zhipin.com'+li.xpath('.//div[@class="info-primary"]/h3/a/@href')[0]

    job_title = li.xpath('.//div[@class="info-primary"]/h3/a/div/text()')[0]

    salary = li.xpath('.//div[@class="info-primary"]/h3/a/span/text()')[0]

    company = li.xpath('.//div[@class="info-company"]/div/h3/a/text()')[0]

    #对详情页的url发请求解析出岗位职责

    detail_page_text = requests.get(detail_url,headers=headers).text

    tree = etree.HTML(detail_page_text)

    job_desc = tree.xpath('//div[@class="text"]//text()')

    job_desc = ''.join(job_desc)#job_desc获取列表数据,通过join变成字符串形式的数据

    print(job_title,salary,company,job_desc)

爬取糗事百科的段子内容和作者名称

headers = {

    'User-Agent':'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/76.0.3809.100 Safari/537.36',

}

url = 'https://www.qiushibaike.com/text/page/4/'

page_text = requests.get(url,headers=headers).text

tree = etree.HTML(page_text)

div_list = tree.xpath('//div[@id="content-left"]/div')

for div in div_list:

    author = div.xpath('./div[1]/a[2]/h2/text() | ./div[1]/span[2]/h2/text()')[0]

    # 糗事百科中有作者和段子内容,作者分为实名用户和匿名用户,但通过对糗事百科的源码,当是匿名用户的时候,文本内容就取不到,所以返回None,但是爬取到的内容也就是None,不是想要的结果,解决:  ./div[1]/a[2]/h2/text()取实名用户,./div[1]/span[2]/h2/text()取匿名用户

    content = div.xpath('.//div[@class="content"]/span//text()')

    content = ''.join(content)

    print(author,content)

爬取糗事百科笑话的标题和内容

http://www.lovehhy.net/Joke/Detail

from lxml import etree

import requests

url = 'http://www.lovehhy.net/Joke/Detail/QSBK/'

headers = {

    'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/75.0.3770.100 Safari/537.36',

    'Cookie':'bdshare_firstime=1573442373487; ASP.NET_SessionId=0yoewt3nnhet3apass0u4hj5; ASPSESSIONIDQADBDDCA=AAKLABFACJHJNHHCMCKEJGJB; __51cke__=; Hm_lvt_03da7ad267ef3d61ce133d6c12f67140=1573442375,1573478536; ASPSESSIONIDSACCBCCA=BCOLDPEALOKMHFJJMHODNHGB; Hm_lpvt_lovehhy=1573479577; Hm_lvt_lovehhy=1573479577; Hm_lpvt_03da7ad267ef3d61ce133d6c12f67140=1573479707; __tins__2343955=%7B%22sid%22%3A%201573478536404%2C%20%22vd%22%3A%2011%2C%20%22expires%22%3A%201573481507039%7D; __51laig__=11'

}

joke_text = requests.get(url=url,headers=headers).text

tree = etree.HTML(joke_text)

url_text = tree.xpath('//*[@id="footzoon"]/h3/a/@href')

url_text

for i in url_text:

    qiu_url = 'http://www.lovehhy.net' + i

    content_text = requests.get(url=qiu_url,headers=headers).text

    tree = etree.HTML(content_text)

    title = tree.xpath('//*[@id="read"]/h1/text()')[0]

    content = tree.xpath('//*[@id="fontzoom"]/text()')[0]

    print(title,content)

巴特西

python爬虫--数据解析

数据解析

什么是数据解析及作用

数据解析的通用原理

正则解析

正则回顾

正则练习

正则爬取

bs4

bs4的基本语法

select 和 find 和findall

爬取三国演义的章节信息和文章内容

xpath

xpath安装及基本语法

爬取boss的招聘信息

爬取糗事百科的段子内容和作者名称

爬取糗事百科笑话的标题和内容

最新文章

热门文章