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爬虫常用库介绍(requests、BeautifulSoup、lxml、json)

程序员文章站 2022-04-16 07:56:09
1、requests库 http协议中,最常用的就是GET方法: import requests response = requests.get('http://www.baidu.com') print(response.status_code) # 打印状态码 print(response.ur ......

1、requests库

http协议中,最常用的就是get方法:
import requests

response = requests.get('http://www.baidu.com')
print(response.status_code)  # 打印状态码
print(response.url)          # 打印请求url
print(response.headers)      # 打印头信息
print(response.cookies)      # 打印cookie信息
print(response.text)         #以文本形式打印网页源码
print(response.content)      #以字节流形式打印

 

除此get方法外,还有许多其他方法:
import requests

requests.get('http://httpbin.org/get')
requests.post('http://httpbin.org/post')
requests.put('http://httpbin.org/put')
requests.delete('http://httpbin.org/delete')
requests.head('http://httpbin.org/get')
requests.options('http://httpbin.org/get')

 

2、beautifulsoup库

beautifulsoup库主要作用:

经过beautiful库解析后得到的soup文档按照标准缩进格式的结构输出,为结构化的数据,为数据过滤提取做出准备。

soup文档可以使用find()和find_all()方法以及selector方法定位需要的元素:
1. find_all()方法

soup.find_all('div',"item") #查找div标签,class="item"

find_all(name, attrs, recursive, string, limit, **kwargs)
@params:
    name: 查找的value,可以是string,list,function,真值或者re正则表达式
    attrs: 查找的value的一些属性,class等。
    recursive: 是否递归查找子类,bool类型
    string: 使用此参数,查找结果为string类型;如果和name搭配,就是查找符合name的包含string的结果。
    limit: 查找的value的个数
    **kwargs: 其他一些参数

 

2. find()方法

find()方法与find_all()方法类似,只是find_all()方法返回的是文档中符合条件的所有tag,是一个集合,find()方法返回的一个tag

3、select()方法

soup.selector(div.item > a > h1) 从大到小,提取需要的信息,可以通过浏览器复制得到。

select方法介绍

示例:

<html><head><title>the dormouse's story</title></head>
<body>
<p class="title" name="dromouse"><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" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" class="sister" id="link1"><!-- elsie --></a>,
<a href="http://example.com/lacie" rel="external nofollow" rel="external nofollow" rel="external nofollow" class="sister" id="link2">lacie</a> and
<a href="http://example.com/tillie" rel="external nofollow" rel="external nofollow" rel="external nofollow" class="sister" id="link3">tillie</a>;
and they lived at the bottom of a well.</p>
<p class="story">...</p>
"""

在写css时,标签名不加任何修饰,类名前加点,id名前加 #,我们可以用类似的方法来筛选元素,用到的方法是soup.select(),返回类型是list。

 

(1).通过标签名查找

print(soup.select('title')) #筛选所有为title的标签,并打印其标签属性和内容
# [<title>the dormouse's story</title>]

print(soup.select('a')) #筛选所有为a的标签
# [<a class="sister" href="http://example.com/elsie" id="link1"><!-- elsie --></a>, <a class="sister" href="http://example.com/lacie" id="link2">lacie</a>, <a class="sister" href="http://example.com/tillie" id="link3">tillie</a>]

print(soup.select('b')) #筛选所有为b的标签,并打印
# [<b>the dormouse's story</b>]

 

(2).通过类名查找

print soup.select('.sister')    #查找所有class为sister的标签,并打印其标签属性和内容
# [<a class="sister" href="http://example.com/elsie" id="link1"><!-- elsie --></a>, <a class="sister" href="http://example.com/lacie" id="link2">lacie</a>, <a class="sister" href="http://example.com/tillie" id="link3">tillie</a>]

 

(3).通过id名查找

print soup.select('#link1') #查找所有id为link1的标签,并打印其标签属性和内容
#[<a class="sister" href="http://example.com/elsie" id="link1"><!-- elsie --></a>]

 

(4).组合查找

组合查找即和写class文件时,标签名与类名、id名进行的组合原理是一样的,例如查找p标签中,id等于link1的内容,二者需要空格分开。

print soup.select('p #link1')
#[<a class="sister" href="http://example.com/elsie" id="link1"><!-- elsie --></a>]

 

直接子标签查找

print soup.select("head > title")
#[<title>the dormouse's story</title>]

 

(5).属性查找

查找时还可以加入属性元素,属性需要用中括号括起来,注意属性和标签属于同一节点,所以中间不能加空格,否则会无法匹配到。

print soup.select("head > title")
#[<title>the dormouse's story</title>]
 
print soup.select('a[href="http://example.com/elsie"]')
#[<a class="sister" href="http://example.com/elsie" id="link1"><!-- elsie --></a>]

 

属性仍然可以与上述查找方式组合,不在同一节点的空格隔开,同一节点的不加空格。

print soup.select('p a[href="http://example.com/elsie"]')
#[<a class="sister" href="http://example.com/elsie" id="link1"><!-- elsie --></a>]

 

beautifulsoup库例句:

from bs4 import beautifulsoup
import requests

f = requests.get(url,headers=headers) 
   soup = beautifulsoup(f.text,'lxml') 

   for k in soup.find_all('div',class_='pl2'):     #找到div并且class为pl2的标签
      b = k.find_all('a')       #在每个对应div标签下找a标签,会发现,一个a里面有四组span
      n.append(b[0].get_text())    #取第一组的span中的字符串

 

3、lxml库

lxml 是 一个html/xml的解析器,主要的功能是如何解析和提取 html/xml 数据。

示例如下:

# 使用 lxml 的 etree 库
from lxml import etree 

text = '''
<div>
    <ul>
         <li class="item-0"><a href="link1.html">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> # 注意,此处缺少一个 </li> 闭合标签
     </ul>
 </div>
'''

#利用etree.html,将字符串解析为html文档
html = etree.html(text) 

# 按字符串序列化html文档
result = etree.tostring(html) 

print(result)

 

输出结果如下:

<html><body>
<div>
    <ul>
         <li class="item-0"><a href="link1.html">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></li>
</ul>
 </div>
</body></html>

可以看到。lxml会自动修改html代码。例子中不仅补全了li标签,还添加了body,html标签。

4、json库

函数 描述
json.dumps 将python对象编码成json字符串
json.loads 将已编码的json字符串解析为python对象
1. json.dumps的使用
#!/usr/bin/python
import json

data = [ { 'name' : '张三', 'age' : 25}, { 'name' : '李四', 'age' : 26} ]

jsonstr1 = json.dumps(data) #将python对象转为json字符串
jsonstr2 = json.dumps(data,sort_keys=true,indent=4,separators=(',',':')) #让json数据格式化输出,sort_keys:当key为文本,此值为true则按顺序打印,为false则随机打印
jsonstr3 = json.dumps(data, ensure_ascii=false) #将汉字不转换为unicode编码

print(jsonstr1)
print('---------------分割线------------------')
print(jsonstr2)
print('---------------分割线------------------')
print(jsonstr3)

 

输出结果:

[{"name": "\u5f20\u4e09", "age": 25}, {"name": "\u674e\u56db", "age": 26}]
---------------分割线------------------
[
    {
        "age":25,
        "name":"\u5f20\u4e09"
    },
    {
        "age":26,
        "name":"\u674e\u56db"
    }
]
---------------分割线------------------
[{"name": "张三", "age": 25}, {"name": "李四", "age": 26}]
2. json.loads的使用
#!/usr/bin/python
import json

data = [ { 'name' : '张三', 'age' : 25}, { 'name' : '李四', 'age' : 26} ]

jsonstr = json.dumps(data)
print(jsonstr)

jsonobj = json.loads(jsonstr)
print(jsonobj)
# 获取集合第一个
for i in jsonobj:
    print(i['name'])

 

输出结果为:

[{"name": "\u5f20\u4e09", "age": 25}, {"name": "\u674e\u56db", "age": 26}]

[{'name': '张三', 'age': 25}, {'name': '李四', 'age': 26}]

张三
李四`