爬虫初阶(三)--数据处理

1.数据分类

• 在抓取某个网站或者某个应用的内容时，内容一般分为两部分，非结构化的数据和结构化的数据。

1.1 非结构化的数据处理

• 文本、电话号码、邮箱地址
  – 正则表达式
• HTML 文件
  – 正则表达式
  – XPath
  – CSS选择器

1.2 结构化的数据处理

• JSON 文件
  – JSON Path
  – 转化成Python类型进行操作（json类）
• XML 文件
  – 转化成Python类型（xmltodict）
  – XPath
  – CSS选择器
  – 正则表达式

2.数据处理–JSON

2.1 什么是JSON

• JSON(JavaScript Object Notation) 是一种轻量级的数据交换格式，它使得人们很容易的进行阅读和编写。同时也方便了机器进行解析和生成。适用于进行数据交互的场景，比如网站前端与后台之间的数据交互。

2.2 数据转化

2.2.1 json.loads()把json字符串转化为python字典

import requests
from pprint import pprint  # 格式化输出

url = "https://movie.douban.com/j/search_subjects?type=movie&tag=%E7%83%AD%E9%97%A8&page_limit=50&page_start=0"
html_str = requests.get(url).content.decode()

ret1 = json.loads(html_str)
pprint(ret1)
print(type(ret1))  # <class 'dict'>

2.2.2 json.dumps()把python字典转化为json字符串

ret2 = json.dumps(ret1, ensure_ascii=False, indent=2)  # 添加解码, 缩进格式化
print(ret2)
print(type(ret2))  # <class 'str'>

2.2.3 json.load()提取类文件对象中的json字符串, 转化为python字典

with open('douban.json', 'w') as f:
    f.write(json.dumps(ret2)
with open('douban.json', 'r', encoding='utf-8') as f:
    ret3 = json.load(f)
    print(ret3)
    print(type(ret3))  # <class 'dict'>

2.2.4 json.dump()能够把python字典转化为json字符串放入类文件对象中

with open('douban1.json', 'w', encoding='utf-8') as f:
    json.dump(ret1, f, ensure_ascii=False ,indent=2)

3.数据处理–XPATH和LXML类库

• lxml是一款高性能的 Python HTML/XML 解析器，可以利用XPath，来快速的定位特定元素以及获取节点信息。
• XPath (XML Path Language) 是一门在 HTML\XML 文档中查找信息的语言，
  可用来在 HTML\XML 文档中对元素和属性进行遍历。

3.1 XPATH节点选择语法

常用路径表达式:

表达式	描述
nodename	选取此节点的所有子节点
/	从根节点选取
//	从匹配选择的当前节点选择文档中的节点，而不考虑它们的位置
.	选取当前节点
…	选取当前节点的父节点
@	选取属性

栗子:

路径表达式	结果
bookstore	选取 bookstore 元素的所有子节点
/bookstore	选取根元素 bookstore。注释：假如路径起始于正斜杠( / )，则此路径始终代表到某元素的绝对路径
bookstore/book	选取属于 bookstore 的子元素的所有 book 元素
//book	选取所有 book 子元素，而不管它们在文档中的位置
bookstore//book	选择属于 bookstore 元素的后代的所有 book 元素，而不管它们位于 bookstore 之下的什么位置
//@lang	选取名为 lang 的所有属性
/bookstore/book[1]	选取属于 bookstore 子元素的第一个 book 元素
/bookstore/book[last()]	选取属于 bookstore 子元素的最后一个 book 元素
/bookstore/book[last()-1]	选取属于 bookstore 子元素的倒数第二个 book 元素
/bookstore/book[position() < 3]	选取最前面的两个属于 bookstore 元素的子元素的 book 元素
//title[@lang]	选取所有拥有名为 lang 的属性的 title 元素
//title[@lang=‘eng’]	选取所有 title 元素，且这些元素拥有值为 eng 的 lang 属性
/bookstore/book[price > 35.00]	选取 bookstore 元素的所有 book 元素，且其中的 price 元素的值须大于 35.00
/bookstore/book[price > 35.00]/title	选取 bookstore 元素中的 book 元素的所有 title 元素，且其中的 price 元素的值须大于 35.00

选取未知节点:

通配符	描述
*	匹配任何元素节点
@*	匹配任何属性节点
node()	匹配任何类型的节点

栗子:

路径表达式	结果
/bookstore/*	选取 bookstore 元素的所有子元素
//*	选取文档中的所有元素
html/node()/meta/@*	选择html下面任意节点下的meta节点的所有属性
//title[@*]	选取所有带有属性的 title 元素

选取多个路径:

路径表达式	结果
//book/title | //book/price	选取 book 元素的所有 title 和 price 元素
//title | //price	选取文档中的所有 title 和 price 元素
/bookstore/book/title | //price	选取属于 bookstore 元素的 book 元素的所有 title 元素，以及文档中所有的 price 元素

3.2 lxml库

1. 导入lxml 的 etree 库
2. 利用etree.HTML，将字符串转化为Element对象
3. Element对象具有xpath的方法

from lxml import etree

text = ''' <div> <ul> 
        <li class="item-1"><a>first item</a></li> 
        <li class="item-1"><a href="link2.html">second item</a></li> 
        <li class="item-inactive"><a href="link3.html">third item</a></li> 
        <li class="item-1"><a href="link4.html">fourth item</a></li> 
        <li class="item-0"><a href="link5.html">fifth item</a>  
        </ul> </div> '''
        
html = etree.HTML(text)
print(html)  # <Element html at 0x7f9d5c691bc8>

# 查看element对象中包含的字符串
# lxml能够修正HTML代码，但是可能会改错了，使用etree.tostring观察修改之后的html的样子，根据修改之后的html字符串写xpath
print(etree.tostring(html).decode())

# 获取class为item-1下的href
ret = html.xpath("//li[@class='item-1']/a/@href")
print(ret)

# 获取class为item-1下的文本
ret2 = html.xpath("//li[@class='item-1']/a/text()")
print(ret2)

# 每一个li是一条新闻,把url和文本组成字典
item = dict()
for href in ret:
    item["href"] = href
    item["title"] = ret2[ret.index(href)]
    print(item)

print("*"*20)
# 根据li标签进行分组, 对每一组继续写xpath
ret3 = html.xpath("//li[@class='item-1']")
print(ret3)
item2 = dict()
for i in ret3:
    item2["title"] = i.xpath("./a/text()")[0] if len(i.xpath("./a/text()"))>0 else None
    item2["href"] = i.xpath("./a/@href")[0] if len(i.xpath("./a/@href"))>0 else None
    print(item2)