爬虫02 /数据解析

爬虫02 /数据解析

1. 数据解析概述

  • 什么是数据解析,数据解析可以干什么?

    • 概念:就是将一组数据中的局部数据进行提取。
    • 作用:使用来实现聚焦爬虫
  • 数据解析的通用原理

    • 问题:html展示的数据可以存储在哪里?
      • 标签之中
      • 属性中
    • 1.标签定位
    • 2.取文本或者取属性
  • 数据解析的常用方法

    • re

    • bs4

    • xpath

    • pyquery

2. 正则实现的数据解析

  • 需求:http://duanziwang.com/category/搞笑图/,将该网站中的图片数据进行爬取

  • 如何对图片(二进制)数据进行爬取

    方法一:

    import requests
    headers = {
        'User-Agent':'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/75.0.3770.142 Safari/537.36'
    }
    url = 'http://duanziwang.com/usr/uploads/2019/02/3334500855.jpg'
    pic_data = requests.get(url=url,headers=headers).content 
    # content返回的是二进制类型的响应数据
    with open('1.jpg','wb') as fp:
        fp.write(pic_data)
    

    方法二:urllib就是一个低版本的requests

    import urllib
    url = 'http://duanziwang.com/usr/uploads/2019/02/3334500855.jpg'
    urllib.request.urlretrieve(url=url,filename='./2.jpg')
    
  • 两种图片爬取的方法的区别是什么?

    • 方法1可以进行UA伪装,方法2不行
  • 抓包工具中response中显示的页面源码和开发者工具的Element选项卡显示的页面源码的区别是什么?

    • Element:显示的页面源码内容是当前网页加载完毕后对应的所有数据(包含动态加载的数据)

    • response:显示的内容仅仅是当前一个请求请求到的数据(不包含动态加载的数据)

  • 代码示例

    • 需求的实现:爬取了一页的数据
    import re
    import os
    
    url = 'http://duanziwang.com/category/%E6%90%9E%E7%AC%91%E5%9B%BE/'
    page_text = requests.get(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!!!')
    
    • 需求的实现:进行全站数据的爬取:爬取所有页码的图片数据
    # 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!!!')
    

3. bs4实现数据解析

  • 环境的安装:

    • pip install bs4
    • pip install lxml
  • 解析原理

    • 实例化一个BeautifulSoup的一个对象,把即将被解析的页面源码内容加载到该对象中
    • 调用BeautifulSoup对象中相关的方法和属性进行标签定位和本文数据的提取
  • BeautifulSoup对象的实例化的方式:

    • BeautifulSoup(fp,'lxml'):将本地的文件内容加载到该对象中进行数据解析
    • BeautifulSoup(page_text,'lxml'):将互联网上请求到的数据加载到该对象中进行数据解析
  • bs4相关解析操作

    • 标签定位:返回值一定是定位到的标签

      • soup.tagName:定位到第一个出现的tagName标签.返回的是单数
      • 属性定位:soup.find('tagName',attrName='value'),返回的是单数
      • find_all('tagName',attrName='value')返回的是复数(列表)
      • 选择器定位:select('选择器'),返回的也是一个列表
        • 层级选择器:
          • 大于号:表示一个层级
          • 空格:标识多个层级
    • 取文本

      • string:只可以将标签中直系的文本取出
      • text:可以将标签中所有的内容取出
    • 取属性

      • tag['attrName']
    • 代码示例

    from bs4 import BeautifulSoup
    fp = open('./test.html','r',encoding='utf-8')
    soup = BeautifulSoup(fp,'lxml')
    soup.p
    soup.find('div',class_='tang')
    soup.find('a',id='feng')
    soup.find_all('div',class_='tang')
    soup.select('#feng')
    soup.select('.tang > ul > li')
    soup.select('.tang li')
    tag = soup.title
    tag.text
    li_list = soup.select('.tang > ul > li')
    li_list[6].text
    div_tag = soup.find('div',class_='tang')
    div_tag.text
    a_tag = soup.select('#feng')[0]
    a_tag['href']
    
  • 需求:http://www.shicimingju.com/book/sanguoyanyi.html 进行全篇小说内容的爬取

  • 分析:

    • 首页:解析出章节的名称+详情页的url
    • 详情页:解析章节的内容
  • 代码示例

    # 爬取到首页的页面数据
    main_url = 'http://www.shicimingju.com/book/sanguoyanyi.html'
    page_text = requests.get(main_url,headers=headers).text
    
    fp = open('./sanguo.txt','a',encoding='utf-8')
    
    # 解析章节名称+详情页的url
    soup = BeautifulSoup(page_text,'lxml')
    a_list = soup.select('.book-mulu > ul > li > a')
    for a in a_list:
        title = a.string   # 章节标题
        detail_url = 'http://www.shicimingju.com'+a['href']
        
        # 爬取详情页的页面源码内容
        detail_page_text = requests.get(url=detail_url,headers=headers).text
        # 解析章节内容
        detail_soup = BeautifulSoup(detail_page_text,'lxml')
        div_tag = detail_soup.find('div',class_="chapter_content")
        content = div_tag.text # 章节内容
        fp.write(title+':'+content+'
    ')
        print(title,'下载成功!!!')
    fp.close()
    

4. xpath解析

  • 环境的安装:

    • pip install lxml
  • 解析原理(流程)

    • 实例化一个etree的对象,将解析的数据加载到该对象中
    • 需要调用etree对象中的xpath方法结合着不同的xpath表达式进行标签定位和文本数据的提取
  • etree对象的实例化

    • etree.parse('filePath'):将本都数据加载到etree中
    • etree.HTML(page_text):将互联网上的数据加载到该对象中
  • html中所有的标签都是遵从了树状的结构,便于我们实现高效的节点的遍历或者查找(定位)

  • xpath方法的返回值一定是复数(列表)

  • 标签定位

    • 最左侧的/:xpath表达式式一定要从根标签开始进行定位
    • 非最左侧的/:表示一个层级
    • 最左侧的//:从任意位置进行标签定位(常用)
    • 非最左侧//:表示多个层级
    • //tagName:定位到所有的tagName标签
    • 属性定位://tagName[@attrName="value"]
    • 索引定位://tagName[index],index索引是从1开始
    • 模糊匹配:
      • //div[contains(@class, "ng")]
      • //div[starts-with(@class, "ta")]
  • 取文本

    • /text():取直系的文本内容。列表只有一个元素
    • //text():所有的文本内容。列表会有多个列表元素
  • 取属性

    • /@attrName
  • 代码示例

    from lxml import etree
    tree = etree.parse('./test.html')
    tree.xpath('/html/head/meta')
    tree.xpath('/html//meta')
    tree.xpath('//meta')
    tree.xpath('//div')
    tree.xpath('//div[@class="tang"]')
    tree.xpath('//li[1]')
    tree.xpath('//a[@id="feng"]/text()')[0]
    tree.xpath('//div[2]//text()')
    tree.xpath('//a[@id="feng"]/@href')
    
  • 需求:爬取解析虎牙中直播的房间名称,热度,详情页的url

    url = 'https://www.huya.com/g/lol'
    page_text = requests.get(url=url,headers=headers).text
    # 数据解析
    tree = etree.HTML(page_text)
    li_list = tree.xpath('//div[@class="box-bd"]/ul/li')
    for li in li_list:
        # 实现局部解析:将局部标签下指定的内容进行解析
        # 局部解析xpath表达式中的最左侧的./表示的就是xpath方法调用者对应的标签
        title = li.xpath('./a[2]/text()')[0]
        hot = li.xpath('./span/span[2]/i[2]/text()')[0]
        detail_url = li.xpath('./a[1]/@href')[0]
        print(title,hot,detail_url)
    
    • xpath图片数据爬取+乱码的处理
    # url模板
    url = 'http://pic.netbian.com/4kmeinv/index_%d.html'
    for page in range(1,11):
        new_url = format(url%page)  # 只可以表示非第一页的页码连接
        if page == 1:
            new_url = 'http://pic.netbian.com/4kmeinv/'
        page_text = requests.get(new_url,headers=headers).text
        tree = etree.HTML(page_text)
        li_list = tree.xpath('//*[@id="main"]/div[3]/ul/li')
        for li in li_list:
            img_name = li.xpath('./a/img/@alt')[0]+'.jpg'
            img_name = img_name.encode('iso-8859-1').decode('gbk')
            img_src = 'http://pic.netbian.com'+li.xpath('./a/img/@src')[0]
            print(img_name,img_src)
    
    • 使用xpath管道符
    url = 'https://www.aqistudy.cn/historydata/'
    page_text = requests.get(url,headers=headers).text
    
    tree = etree.HTML(page_text)
    # hot_cities = tree.xpath('//div[@class="bottom"]/ul/li/a/text()')
    all_cities = tree.xpath('//div[@class="bottom"]/ul/div[2]/li/a/text() | //div[@class="bottom"]/ul/li/a/text()')
    all_cities
    
    • xpath表达式中管道符的应用
      • 目的:使得xpath表达式具有更强的通用性

总结:

  1. content返回的是二进制类型的响应数据

    data = requests.get(url=url,headers=headers).content

  2. 正则re.S的使用

    • img_src_list = re.findall(ex,page_text,re.S)

    • 如果不使用re.S参数,则只在每一行内进行匹配,如果一行没有,就换下一行重新开始,不会跨行

      而使用re.S参数以后,正则表达式会将这个字符串作为一个整体,将“ ”当做一个普通的字符加入到这个字符串中,在整体中进行匹配

  3. new_url = format(url%page)

    def format(value, format_spec='', /)
    	Return value.__format__(format_spec)
    
  4. urllib用的是request请求数据,不是requests

    urllib.request.urlretrieve(url=src,filename=imgPath)

  5. bs4根据class类值进行解析的时候,用class_代替class

原文地址:https://www.cnblogs.com/liubing8/p/11980080.html