欢迎您访问程序员文章站本站旨在为大家提供分享程序员计算机编程知识！
您现在的位置是： 首页  >  IT编程

爬虫基础（二）——网页

程序员文章站 2023-10-27 23:07:22
前言 爬虫要爬取的信息主要来自于网页加载的内容，有必要了解一些网页的知识。 当我们在浏览器网址栏输入一个网址——URL，经过TCP/IP协议簇的处理，这个网址请求的信息就被发送到URL对应的服务器，接着服务器处理这个请求，并将请求的内容返回给浏览器，浏览器便显示或者下载URL请求相应的资源。这是前一 ......

前言

　　爬虫要爬取的信息主要来自于网页加载的内容，有必要了解一些网页的知识。

  当我们在浏览器网址栏输入一个网址——url，经过tcp/ip协议簇的处理，这个网址请求的信息就被发送到url对应的服务器，接着服务器处理这个请求，并将请求的内容返回给浏览器，浏览器便显示或者下载url请求相应的资源。这是前一篇博客所述。

  在这一篇博客，笔者尝试说明浏览器是如何显示出这个页面的。如下

html

html的含义

  与超文本相对的是线性文本。线性，即直线关系，成比例。一本书，从第一页到最后一页，呈现直线关系；一本书的书签，从第一章转跳至第十章，呈现的是非线性关系。对于线性的计算机文件，不能直接从从一个位置的文件非线性地转至另一个位置的文件，这中间是要经过一定的顺序；相反，超文本之间的关系是非线性的，从一个html文件可以直接连接至另一个html文件。促成这种连接的正是是超文本链接，超文本链接就是超链接，上一篇的url就是超链接的一种，电子书中的书签也是超链接的一种。

  html是一门语言，常用于编写网页，html文件是超文本的一种形式。以下是一些名称的解释，以辅助理解，不必太在意于严格的定义。

  • html(hypertext mark-up language)：超文本标记语言
  • 超文本：hypertext，用超链接的方法，将不同空间的文字信息组织在一起的网状文本
  • 链接：link，从一个文档指向其它文档或从文本锚点(anchor)指向某已命名位置的链接
  • 锚点：anchor，是网页制作中超级链接的一种，又叫命名锚记。命名锚记像一个迅速定位器一样是一种页面内的超级链接
  • 超链接：hyperlink，它是一种允许我们同其他网页或站点之间进行连接的页面元素
  • 超文本链接：hypertext link，就是超链接。是指用文字链接的形式来指向一个页面
  • 线性：linear，指量与量之间按比例、成直线的关系，在数学上可以理解为一阶导数为常数的函数

树

树的概念

  树的结构是很简单的，平时留心观察即可知道树为何是“直”的。从第一个分叉开始这树就是由无数的“开叉”结构组成，直至最微小的枝芽。怎么简单怎么来，数学上的描述不管。下面的性质和定义来自《用python解决数据结构和算法》

树的性质

     相关术语在“定义1”里面有解释，以分类树为例此处有图片

  1. 树是分层的，分层的意思是树的顶层部分更加宽泛一般而底层部分更加精细具体。在图1中，最上层是“界”，它下面的一层（上层的子层）是“门”，然后是“纲”等等。
  2. 一个节点的子节点（node）和另一个节点的子节点（children）是完全独立的。如图1，“猫属”有两个子节点“家生”和“野生”，“蝇属”中也有一个“家生”， 但它和“猫属”中的“家生”是完全不同而且相互独立的。
  3. 树的每个叶节点（leaf）都是不同的。如图1，对每一种动物，我们都可以从根节点（root）开始沿着一条特定的路径找到它对应的叶节点，并把它和其他动物区分开， 例如对于家猫
  4. 树下层的所有部分（子树subtree）移动到树的另一位置而不影响更下层的情况。如图2，我们可以将所有标注/etc的子树从根节点下移动到usr/下面但是对httpd的内容及其子节点的内容不会有影响。

爬虫基础（二）——网页

图1 一些动物的分类树

爬虫基础（二）——网页

图2 一小部分unix文件系统的分层情况 

定义1

　　树是节点和连接节点的边的集合

  这个定义简单粗暴，但蕴含的东西不少。以下是一些相关的东西，都是些抽象的概念，将其类比成枝节叶可以吧

  • 节点（node）：树的基本组成
  • 边（edge）：树的基本组成，连接两个节点。。每个节点（除了根节点）都有且只有一条与其他节点相连的入边（指向该节点的边），每个节点可能有许多条出边（从该节点指向其他节点的边）。
  • 根节点（root）：树中唯一没有入边的节点
  • 路径（path）：路径是由边连接起来的节点的有序排列
  • 子节点集（childern）：当一个节点的入边来自于另外一个节点时，称前者为后者的子节点。同一个节点的所有子节点构成子节点集
  • 父节点（parent）：一个节点是它的所有出边连接的节点的父节点。
  • 兄弟节点（sibling）同一节点的所有子节点胡伟兄弟节点
  • 子树（subtree）：子树是一个父节点的某个子节点的所有边和后代节点所构成的集合
  • 叶节点（leafnode）：没有子节点的节点称为叶节点
  • 层数（level）：一个节点的层数是指从跟节点到该节点的路径的边的数目，定义根节点层数为0
  • 高度（height）：树的高度等于所有节点层数的最大值

定义2

  每棵树为空，或者包含一个根节点和0个或多个子树，其中每个子树也符合这样的定义

  这个定义巧妙，用到递归只能“巧妙”了。

html的构成

  html是由一系列的元素组成，元素由首尾标签和其中的内容组成，学习html就要学习那一堆元素。标签表示元素的起始和结束。下面是一个简单的html网页。例如代下面代码中

<li>list item one</li>是元素，<li>是首标签，</li>是尾标签，'list item one'是内容。

 

<html xmlns="http://www.w3.org/1999/xhtml" xml:lang="en" lang="en">
<head>
<meta http-equiv="content-type" content="text/html; charset=utf-8" />
<title>simple</title>
</head>
<body>
<h1>a simple web page</h1>
<ul>
<li>list item one</li>
<li>list item two</li>
</ul>
<h2><a href="http://www.cs.luther.edu">luther cs </a><h2>
</body>
</html>

代码1

  这个网页也相当于一棵树，树的每一层都对应超文本标记符的一层嵌套。如图3

爬虫基础（二）——网页

图3 与网页的构成元素相对应的树

dom

  dom（document object model），文档对象模型。当浏览器要显示html文档网页的时候，浏览器会创建这个网页全部元素的内部表示体系——dom，类似于地图表示实际的地点一样，dom也可以看做是这个html网页的“地图”，我们可以通过javascript（例如父子对象的形式）去读取dom这张“地图”。在dom里面，网页的所有元素以父子对象等形式形成树形结构，这棵树最顶层的是浏览器window对象（如图4），window对象的一个子对象是document对象，一个html文档被加载到浏览器的时候，都会创建一个document对象，这个对象包含了html文档的全部元素，同样html的内容也会表示成树形结构（如图3）

  当dom把网页表示成“树”的形式（如图3）时，每个元素都相当于树的节点（元素节点），每个属性也相当一个节点（属性节点），文本也是（文本节点），属性节点和文本节点包含在元素节点中。边表示了元素间的关系。

爬虫基础（二）——网页

图4 window对象及其一些子对象

css

  通过dom模型，浏览器就知道如何去显示一个html网页的title，h1，body，ul······，但这并不是唯一的方式，我们同样可以通过css(cascading style sheets)层级样式表去告诉浏览器该如何去显示一个网页文档，实际上浏览器也会根据外部样式表去构建一棵“树”——cssom（css object model，css 对象模型）。

  css是一种样式表语言，用于为html文档定义布局。例如，设置字体、颜色、边距、高度、宽度、背景图像等等。爬虫中经常用到css选择器。

添加css的方法

行内样式表

  为html应用css的一种方法是使用html属性style。例如下面代码，通过行内样式表将页面背景设为红色，代码如下：

<html>
<head>
<title>例子</title> 
</head>
<body style="background-color: #ff0000;"> 
<p>这个页面是红色的</p>
</body>
</html>

内部样式表

  为html应用css的另一种方法是采用html元素style。代码如下

<html> 
<head> 
<title>例子</title>
    <style type="text/css">
     body {background-color: #ff0000;}        
     </style> 
</head> 
<body> <p>这个页面是红色的</p> 
</body>
</html>

外部样式表

  外部样式表就是一个扩展名为css的文本文件。如何在一个html文档里引用一个外部样式表文件（style.css）呢？可以在html文档里创建一个指向外部样式表文件的链接（link）即可，就像下面代码那样，其中href="style/style.css是css文件的路径，要注意的就是外部样式表的路径问题，详略。 代码如下：

<link rel="stylesheet" type="text/css" href="style/style.css" />

css构造样式规则

  样式表中包含了定义网页外观的规则，样式表中的每条规则都有两个主要部分：选择器（selector）和声明块（declaration block）。选择器的作用在于定位以及决定哪些元素受到影响；声明块由一个或多个属性- 值对（每个属性-值对构成一条声明，declaration）组成，它们指定应该做什么（参见图5 ～图6）。

爬虫基础（二）——网页

　　构造样式规则的步骤如下：

  1. 输入selector ，这里的selector 表示希望进行格式化的元素。
  2. 输入{（前花括号）开始声明块。
  3. 输入property:value; ,其中property是css 属性的名称，描述要应用哪种格式；value 是该属性允许的选项之一。
  4. 根据需要，重复第(3) 步。通常一行输入一个property: value（一条声明），如图6所示的那样，但这并非强制要求。
  5. 输入}，结束声明块和样式规则。

css选择器

  由于选择器具有定位作用，例如所以利用选择器就可以定位到我们想提取的数据，因此，css选择器经常在爬虫中出现。常见的css选择器语法规则如图7，见w3c链接：

爬虫基础（二）——网页

图7 一些css选择器的语法规则

css选择器的应用

在beautiful soup中的应用

  例如如果爬取到下面这段html代码，就可以通过css选择器去提取，如下：

html_doc = """
<html><head><title>the dormouse's story</title></head>
<body>
<p class="title"><b>the dormouse's story</b></p>

<p class="story">once upon a time there were three little sisters; and their names were
<a href="http://example.com/elsie" class="sister" id="link1">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>
"""
from bs4 import beautifulsoup
soup = beautifulsoup(html_doc, 'lxml')

# 选择所有title标签,结果是一个列表，可迭代
print(soup.select("title"))
# 选择body标签下的所有a标签，并获取文本
results = soup.select("body a")
for result in results:
    print(result.get_text())
# 通过id查找 选择a标签，其id属性为link1的标签
print(soup.select("a#link1"))
# 选择所有p标签中的第三个标签
print(soup.select("p:nth-of-type(3)"))     # 相当于soup.select(p)[2]
# 选择a标签，其href属性以lacie结尾
print(soup.select('a[href$="lacie"]'))
# 选择a标签，其href属性包含.com
print(soup.select('a[href*=".com"]'))
# 通过【属性】查找,选择a标签，其属性中存在myname的所有标签
a = soup.select("a[myname]")
# 选择a标签，其属性href=http://example.com/lacie的所有标签
b = soup.select("a[href='http://example.com/lacie']")
# 选择a标签，其href属性以http开头
c = soup.select('a[href^="http"]')
print(a)
print(b)
print(c)
爬虫基础（二）——网页
 1 # 选择body标签下的直接a子标签
 2 print(soup.select("body > a"))
 3 # 选择id=link1后的所有兄弟节点标签
 4 print(soup.select("#link1~.mysis"))
 5 # 选择id=link1后的下一个兄弟节点标签
 6 print(soup.select("#link1 + .mysis"))
 7 # 选择a标签，其类属性为mysis的标签
 8 print(soup.select("a.mysis"))
 9 # 从html中排除某标签，此时soup中不再有script标签
10 print([s.extract()for s in soup('script')])
11 # 如果想排除多个呢
12 print([s.extract()for s in soup(['script', 'fram'])])
view code

在pyquery中的应用

  例如如果爬取到下面这段html代码，就可以通过css选择器去提取，如下：

html = '''
<div class="wrap">
    <div id="container">
        <ul class="list">
             <li class="item-0">first item</li>
             <li class="item-1"><a href="link2.html">second item</a></li>
             <li class="item-0 active"><a href="link3.html"><span class="bold">third item</span></a></li>
             <li class="item-1 active"><a href="link4.html">fourth item</a></li>
             <li class="item-0"><a href="link5.html">fifth item</a></li>
         </ul>
     </div>
 </div>
'''
from pyquery import pyquery as pq
doc = pq(html)
a = doc('.item-0.active a')  # 先获取class为item-0 且class为active的li标签内的a标签节点，再提取属性
print(a, type(a))
print(a.attr('href'))         # 获取到的结果为链接路径： link3.html
print(a.attr.href)
print(a.text())                # 获取文本，获得a节点的wb
li = doc('.item-0.active')
print(li.html())               # html()返回该节点的所有文本，包括标签a的开始和结束
lt = doc('li')
print(lt.html())               # 只返回第一个li的文本，欲获取全部需要遍历
print(lt.text())               # 返回所有li的文本，用空格隔开，结果是字符串类型
print(type(lt.text()))
b = doc('a')
print(b, type(b))
print(b.attr.href)  # attr（）方法只会得到第一个节点的属性，这时，需要遍历
for item in b.items():
    print(item.attr.href)
爬虫基础（二）——网页
html = '''
<div id="container">
    <ul class="list">
         <li class="item-0">first item</li>
         <li class="item-1"><a href="link2.html">second item</a></li>
         <li class="item-0 active"><a href="link3.html"><span class="bold">third item</span></a></li>
         <li class="item-1 active"><a href="link4.html">fourth item</a></li>
         <li class="item-0"><a href="link5.html">fifth item</a></li>
     </ul>
 </div>
'''
from pyquery import pyquery as pq
doc = pq(html)
print(doc('#container .list li'))
print(type(doc('#container .list li')))
items = doc('.list')
print(items.text())
print(type(items.text()))
print(items)
lis = items.find('li')
print(lis)
print(type(items))
print(type(lis))
ls = items.children()  # 返回子节点
print(ls)
print(type(ls))
view code

javascript

  这里只说两点，ajax和渲染，因为爬虫经常碰到

渲染——浏览器如何显示页面

　　到目前为止，已经了解到浏览器在加载html的时候，先解析html文档，然后生成html树——dom，同时浏览器生成了另外一棵树——cssom，这两个模型共同创建“渲染树”，之后浏览器就有了足够的信息去进行布局，并在屏幕上绘制页面。如果这里没有外部样式表也没有行内或者内部样式表（前面所述），也无需操心，因为浏览器本身也自带了一个默认的css样式表，只不过我们自定义的css样式表会将它覆盖而已。这里的“绘制的页面”就是要显示的页面，暂且理解成编程中的“print”吧，这里的一些奇怪的问题（比如：“浏览器显示html文档首尾标签去哪里啦？）”都可以类比print函数中的一些问题（“引号去哪里了？”）来看待，因为浏览器的显示和print函数是的目的都是将内容显示到电脑屏幕！只不过这里的绘制不是普通打印而是“彩打”。

渲染的过程如下（图片来自）：

爬虫基础（二）——网页

 　　为什么渲染还和javascript有关呢？是的，单单是html和css就可以显示出网页，但javascript却有更强大的功能，其实javascript就是网页源代码中的一个脚本，他在浏览器显示页面的时候可以改变这个页面的布局和内容，也就是改变dom和cssom的能力，从而改变了网页的显示。 

ajax

　　ajax是一种无需刷新页面即可从服务器（或客户端）上加载数据的手段，这里的刷新是指重新请求，重新下载页面。而ajax却可以在不刷新的情况下加载数据，从而给人一种“流畅”的感觉。但ajax只是其中的一种手段，例如上面提到的javascript渲染也是这样的一种手段。那么ajax是如何实现这种效果的呢？既然加载了数据那么肯定是向服务器发送了请求，那么如何做到不显示新的页面呢？答案是xmlhttprequest（xhr）对象，它可以实现这种方式。既然是对象当然就有类似于“send()”等方法向服务器发送请求，然后接受到服务器响应的内容，接下来avascript就会解释并处理这些内容，然后渲染网页，继而浏览器将数据显示出来。因此在爬虫的时候要想爬取这种动态加载的数据，就需要在开发者工具中去找寻这些新的url请求，然后再在程序中模拟这种请求，再提取数据。就这样先吧。代码来自w3c如下：

<html>
<head>
<script type="text/javascript">
function loadxmldoc()
{
var xmlhttp;
if (window.xmlhttprequest)
  {// code for ie7+, firefox, chrome, opera, safari
  xmlhttp=new xmlhttprequest();
  }
else
  {// code for ie6, ie5
  xmlhttp=new activexobject("microsoft.xmlhttp");
  }
xmlhttp.onreadystatechange=function()
  {
  if (xmlhttp.readystate==4 && xmlhttp.status==200)
    {
    document.getelementbyid("mydiv").innerhtml=xmlhttp.responsetext;
    }
  }
xmlhttp.open("post","/ajax/demo_post.asp",true);
xmlhttp.send();
}
</script>
</head>
<body>

<h2>ajax</h2>
<button type="button" onclick="loadxmldoc()">请求数据</button>
<div id="mydiv"></div>
 
</body>
</html>

　　

　　周末结束了！以上。

上一篇： 并发编程（五）

下一篇： Python入门基础---九九乘法表

推荐阅读