一、啥是數據解析
在上一篇關於爬蟲的博客里，我提到過，整個爬蟲分為四個部分，上一篇博客已經完成了前兩步，也就是我說的最難的地方，接下來這一步數據解析不是很難，但就是很煩人，但只要你有耐心，一步一步查找、排除就會提取出目標信息，這一步就相當於從接收到的龐大數據中提取出真正想要、有意義的信息，所以對於爬蟲來說，應該是很重要的。
數據解析有三種方式，一是通過正則表達式，在python中就是利用re模塊；二是xpath；三是利用BeautifulSoup。
二、正則表達式
之前我們在學模塊的時候講過正則表達式，在這就不細說，獻上經常用到的
單字符： . : 除換行以外所有字符 [] ：[aoe] [a-w] 匹配集合中任意一個字符 \d ：數字 [0-9] \D : 非數字 \w ：數字、字母、下划線 \W : 非\w \s ：所有的空白字符包,括空格、制表符、換頁符等等。等價於 [ \f\n\r\t\v]。 \S : 非空白 數量修飾： * : 任意多次 >=0 + : 至少1次 >=1 ? : 可有可無 0次或者1次 {m} ：固定m次 hello{3,} {m,} ：至少m次 {m,n} ：m-n次 邊界： $ : 以某某結尾 ^ : 以某某開頭 分組： (ab) 貪婪模式： .* 非貪婪（惰性）模式： .*? re.I : 忽略大小寫 re.M ：多行匹配 re.S ：單行匹配 re.sub(正則表達式, 替換內容, 字符串)
三、xpath
1，常用表達式
屬性定位： #找到class屬性值為song的div標簽 //div[@class="song"] 層級&索引定位： #找到class屬性值為tang的div的直系子標簽ul下的第二個子標簽li下的直系子標簽a //div[@class="tang"]/ul/li[2]/a 邏輯運算： #找到href屬性值為空且class屬性值為du的a標簽 //a[@href="" and @class="du"] 模糊匹配： //div[contains(@class, "ng")] //div[starts-with(@class, "ta")] 取文本： # /表示獲取某個標簽下的文本內容 # //表示獲取某個標簽下的文本內容和所有子標簽下的文本內容 //div[@class="song"]/p[1]/text() //div[@class="tang"]//text() 取屬性： //div[@class="tang"]//li[2]/a/@href
我們在使用xpath時，想要把字符串轉化為etree對象：
tree=etree.parse(文件名)#這種是把一個本地文件轉化成rtree對象
tree=etree.HTML(html標簽字符串)
tree.xpath(xpath表達式) #這樣就可以通過找到某個標簽，取出標簽的某個屬性就得到想要的結果
2，示例一，爬取糗事百科圖片，保存在本地
import requests
from lxml import etree
#這是請求的路徑
url='https://www.qiushibaike.com/pic/' #這是偽造的瀏覽器UA
headers={ 'User-Agent':'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/72.0.3626.119 Safari/537.36' }
#content拿到的是頁面代碼 content=requests.get(url=url,headers=headers).text
#把這個頁面字符串代碼轉換成etree對象 tree=etree.HTML(content)
#這是拿到所有class=‘thumb’的div標簽下的img標簽的src屬性，返回的是一個列表 img_src_list=tree.xpath('//div[@class="thumb"]//img/@src')
#循環每個src，然后再去訪問，拿到圖片的字節數據，存放於JPG文件，就得到每張圖片了 for img_src in img_src_list: c1=requests.get(url='https:'+img_src,headers=headers).content with open('%s.jpg'%img_src[:5],'wb') as f: f.write(c1)
3，示例二，爬取煎蛋網的圖片
這個就不是那么簡單了，可以說是及其的難，我們用瀏覽器去訪問一下煎蛋網，查看一下每張圖片的src。
在這個元素的頁面上，也就是加載完畢后的HTML文件，上面可以看到img的src屬性，不用猜，這個肯定是圖片的地址，很是興奮，急急忙忙的寫程序，訪問頁面，拿去img的src值，然后再發起請求拿到圖片數據，保存下來，運行程序出錯了，不是預期的結果。在這，給大家分享一個反爬機制，對於圖片的src屬性並不是直接寫在html頁面上的，而是在加載頁面時用js得到img的src屬性，然后賦值過去，其實我們可以點開network，查看response，這個response才是真正返回的HTML文件內容，也就是接收的內容。如下圖：
從response來看，它的所有圖片的src都是一樣的，說明並不是圖片真正的輸入窗路徑，后面跟了一個span標簽，class為img-hash，文本內容為一大段字符，可以猜出這是一個hash值，這個值就是img的src加密后的hash值，所以在加載頁面時，通過js把加密的字符解開就是img的src屬性，然后再賦給src（別問我是咋知道，我看別人這樣寫的，但確實是對的），這種通過js來動態加載的頁面是一種反爬機制，而且是一種讓人很頭疼的反爬機制。
現在我們想要拿到他的src，就需要我們從返回的html文件中取出每個img-hash值，然后解密，得到真正的src，然后再對src發起請求。
import requests from lxml import etree headers={ 'User-Agent':'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/72.0.3626.119 Safari/537.36' } import base64 url='http://jandan.net/ooxx' content=requests.get(url=url,headers=headers).text tree=etree.HTML(content) hash_list=tree.xpath('//span[@class="img-hash"]/text()') #這是拿到了所有的img-hsah值，存放在一個列表中 for i in hash_list: ur=base64.b64decode(i).decode() #這里用base64解密（不要問我為啥用這個解密，你咋知道的。大佬說，在js代碼發現有base64和md5的字樣，然而md5是不可逆的，所以就是base64了） con=requests.get(url='http:'+ur,headers=headers).content with open('%s.jpg'%i,'wb') as f: f.write(con)
四、BeautifulSoup
1，方法
from bs4 import BeautifulSoup soup = BeautifulSoup(open('本地文件'), 'lxml') #這是把一個本地文件轉換成BeautifulSoup對象 soup = BeautifulSoup('字符串類型或者字節類型', 'lxml')#這是把HTML字符串轉換成BeautifulSoup對象 基礎鞏固： （1）根據標簽名查找 - soup.a 只能找到第一個a標簽，其他標簽一樣 （2）獲取屬性 - soup.a.attrs 獲取第一個a標簽所有的屬性和屬性值，返回一個字典 - soup.a.attrs['href'] 獲取href屬性 - soup.a['href'] 也可簡寫為這種形式 （3）獲取內容 - soup.a.string - soup.a.text - soup.a.get_text() 【注意】如果標簽還有標簽，那么string獲取到的結果為None，而其它兩個，可以獲取文本內容 （4）find：找到第一個符合要求的標簽 - soup.find('a') - soup.find('a', title="xxx") - soup.find('a', alt="xxx") - soup.find('a', class_="xxx") #按類查找，得在把class寫成class_ - soup.find('a', id="xxx") （5）find_all：找到所有符合要求的標簽 - soup.find_all('a') - soup.find_all(['a','b']) 找到所有的a和b標簽 - soup.find_all('a', limit=2) 限制前兩個 （6）根據選擇器選擇指定的內容 #選擇器的規則和css一模一樣， select:soup.select('#feng') - 常見的選擇器：標簽選擇器(a)、類選擇器(.)、id選擇器(#)、層級選擇器 - 層級選擇器： div .dudu #lala .meme .xixi 下面好多級 div > p > a > .lala 只能是下面一級 【注意】select選擇器返回永遠是列表，需要通過下標提取指定的對象
2，實例一，爬取抽屜網的新聞標題和連接
from bs4 import BeautifulSoup import requests url='https://dig.chouti.com/' headers={ 'User-Agent':'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/72.0.3626.119 Safari/537.36' } con=requests.get(url=url,headers=headers).text
#這是實例化一個BeautifulSoup對象，對象就可以使用find、find_all等方法 soup=BeautifulSoup(con,'lxml') a_list=soup.find_all('a',class_="show-content color-chag")#這是拿到了很多的a標簽， data_list=[] for a in a_list: dic={} dic['url']=a['href'] dic['content']=a.text.strip() data_list.append(dic) print(data_list)
3，實例二，爬取58同城的房源信息
from bs4 import BeautifulSoup import requests import xlwt import re headers={ 'User-Agent':'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/72.0.3626.119 Safari/537.36' }
#這是創建一個Excel，並創建一個sheet表，設置屬性 workbook = xlwt.Workbook(encoding='ascii') worksheet = workbook.add_sheet('My Worksheet') worksheet.col(0).width = 14000 worksheet.col(5).width = 24000 #發送請求 url='https://sz.58.com/ershoufang/?utm_source=market&spm=u-2d2yxv86y3v43nkddh1.BDPCPZ_BT&PGTID=0d30000c-0000-4591-0324-370565eccba8&ClickID=1' res=requests.get(url=url,headers=headers) con=res.text
#實例化一個對象 soup=BeautifulSoup(con,'lxml') ss=soup.find('ul',class_='house-list-wrap') li_list=ss.find_all('li') #這是拿到了所有的li標簽 patter=re.compile(r'\s',re.S)
#這是循環每個li標簽，這里拿到的每個li標簽還是一個BeautifulSoup對象，一樣擁有find、find_all等方法，對每個li標簽處理拿到每個房源的各種信息，然后寫入Excel中 for num in range(len(li_list)): worksheet.write(num, 0, label=li_list[num].find('a',tongji_label="listclick").text.strip()) p1=li_list[num].find_all('p')[0] span_list=p1.find_all('span') worksheet.write(num, 1, label=patter.sub('',span_list[0].text)) worksheet.write(num, 2, label=patter.sub('',span_list[1].text)) worksheet.write(num, 3, label=patter.sub('',span_list[2].text)) worksheet.write(num, 4, label=patter.sub('',span_list[3].text)) worksheet.write(num,5, label=patter.sub('',li_list[num].find('div',class_='jjrinfo').text)) worksheet.write(num, 6, label=li_list[num].find('p',class_='sum').text) worksheet.write(num, 7, label=li_list[num].find('p',class_='unit').text) workbook.save('myWorkbook.xls')
4，實例三，爬取github
github是需要登錄驗證的，所以我們照我上一篇講的模擬登錄的步驟，先用瀏覽器輸入一組錯誤信息，點擊登錄，找的登錄發送的路徑和數據結構，
明顯發現這就是登錄請求的路徑，數據結構拿到了，再去拿到請求的路徑
這下就可以發送請求，我最先訪問的是login頁面，得到cookie，帶這個cookie和data數據，往登錄的路徑發送請求，但不得行。於是乎回來看了一看，要求的數據結構，其中有個叫token的東西，怎么那么熟悉，這個不是那個隨機值CSRF-token，我就再去看了一下HTML頁面，
確實是基於form表單發送請求的CSRF-token，這個東西是一個隨機值，所以我的程序得想去訪問login頁面，拿到登陸頁面，取得這個token值，放在data數據里，我之前程序的其他部分就不用變了，於是乎就成功了。
import requests import re url='https://github.com/login' url1='https://github.com/session' headers={ 'User-Agent':'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/72.0.3626.119 Safari/537.36', } session=requests.session() res1=session.get(url=url,headers=headers) token=re.findall(r'name="authenticity_token".*?value="(?P<name>.*?)"',res1.text,re.S)[0] #這就是用BeautifulSoup取得token值 data={ 'commit': 'Sign in', 'utf8': '✓', 'authenticity_token': token, 'login': 'xxxxxx', 'password':'xxxxx' } session.post(url=url1,data=data,headers=headers) url2='https://github.com/' res=session.get(url=url2,headers=headers) with open('github1.html','wb') as f: f.write(res.content)