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

python爬虫--数据解析

程序员文章站 2022-03-21 17:34:20
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 分析: 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 ......

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)

上一篇： C++中set的使用

下一篇： swoole进程间如何通信

推荐阅读