Python爬蟲的三種數據解析方式

數據解析方式　　

　　- 正則

　　- xpath

　　- bs4

---

 

數據解析的原理：

• 標簽的定位
• 提取標簽中存儲的文本數據或者標簽屬性中存儲的數據

---

正則

# 正則表達式
 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、中文
        \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)

#爬取糗事百科中所有的糗圖圖片數據
import os
import requests
import re
from urllib import request
if not os.path.exists('./qiutu'):
    os.mkdir('./qiutu')
headers = {
    'User-Agent':'Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/70.0.3538.77 Safari/537.36'
}

url = 'https://www.qiushibaike.com/pic/'
page_text = requests.get(url=url,headers=headers).text

ex = '<div class="thumb">.*?<img src="(.*?)" alt.*?</div>'
img_url = re.findall(ex,page_text,re.S)
for url in img_url:
    url = 'https:'+url
    img_name = url.split('/')[-1]
    img_path = './qiutu/'+img_name
    request.urlretrieve(url,img_path)
    print(img_name,'下載成功！！！')

---

bs4解析

• 解析原理：

  • 實例化一個Beautifulsoup的對象，且將頁面源碼數據加載到該對象中
  • 使用該對象的相關屬性和方法實現標簽定位和數據提取

• 環境的安裝：

  • pip install bs4
  • pip install lxml

• 實例化Beautifulsoup對象

  • BeautifulSoup(page_text,'lxml'):將從互聯網上請求到的頁面源碼數據加載到該對象中
  • BeautifulSoup(fp,'lxml')：將本地存儲的一樣頁面源碼數據加載到該對象中

• 屬性

soup.a.attrs 返回一字典，里面是所有屬性和值
soup.a['href'] 獲取href屬性

• 文本

soup.a.string
soup.a.text
soup.a.get_text()

• find方法

#find只能找到符合要求的第一個標簽，他返回的是一個對象
soup.find('a')
soup.find('a', class_='xxx')
soup.find('a', title='xxx')
soup.find('a', id='xxx')
soup.find('a', id=re.compile(r'xxx'))

• find_all

#返回一個列表，列表里面是所有的符合要求的對象
soup.find_all('a')
soup.find_all('a', class_='wang')
soup.find_all('a', id=re.compile(r'xxx'))
soup.find_all('a', limit=2)   #提取出前兩個符合要求的a

• select

#選擇，選擇器 css中
常用的選擇器
標簽選擇器、id選擇器、類選擇器
層級選擇器**
div h1 a      后面的是前面的子節點即可
div > h1 > a  后面的必須是前面的直接子節點
屬性選擇器
input[name='hehe']
select('選擇器的')
返回的是一個列表，列表里面都是對象
find find_all select不僅適用於soup對象，還適用於其他的子對象，如果調用子對象的select方法，那么就是從這個子對象里面去找符合這個選擇器的標簽

#爬取古詩文網的三國演義小說

url = 'http://www.shicimingju.com/book/sanguoyanyi.html'
page_text = requests.get(url=url,headers=headers).text
#數據解析：標題和url
soup = BeautifulSoup(page_text,'lxml')
li_list = soup.select('.book-mulu > ul > li')
fp = open('./sanguo.txt','w',encoding='utf-8')
for li in li_list:
    title = li.a.string
    detail_url = 'http://www.shicimingju.com'+li.a['href']
    #單獨對詳情頁發起請求獲取源碼數據
    detail_page_text = requests.get(url=detail_url,headers=headers).text
    soup = BeautifulSoup(detail_page_text,'lxml')
    content = soup.find('div',class_="chapter_content").text
    
    fp.write(title+'\n'+content+'\n')
    print(title,':下載成功！')
    
fp.close()

---

xpath解析：

- 解析效率比較高
- 通用性最強的

- 環境安裝：pip install lxml
- 解析原理：
    - 實例化一個etree對象且將即將被解析的頁面源碼數據加載到該對象中
    - 使用etree對象中的xpath方法結合着xpath表達式進行標簽定位和數據提取
- 實例化etree對象
    - etree.parse('本地文件路徑')
    - etree.HTML(page_text)

#爬取全國城市名稱
import requests
from lxml import etree
# UA偽裝
headers = {
    'User-Agent':'Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/70.0.3538.77 Safari/537.36'
}
url = 'https://www.aqistudy.cn/historydata/'
page_text = requests.get(url=url,headers=headers).text

tree = etree.HTML(page_text)
# hot_city = tree.xpath('//div[@class="bottom"]/ul/li/a/text()')
# all_city = tree.xpath('//div[@class="bottom"]/ul/div[2]/li/a/text()')
# all_city

tree.xpath('//div[@class="bottom"]/ul/div[2]/li/a/text() | //div[@class="bottom"]/ul/li/a/text()'