[爬虫]-解析

前言

通过程序爬取到网页内容后, 我们要根据需求从网页中获取到有用的数据, 这就是本节的内容

xpath

安装xpath插件

(1)打开chrome浏览器

(2)点击右上角小圆点

(3)更多工具

(4)扩展程序

(5)拖拽xpath插件到扩展程序中 (资料中已提供)

(6)如果crx文件失效，需要将后缀修改zip

(7)再次拖拽

(8)关闭浏览器重新打开

(9) ctrl + shift + xI

(10)出现小黑框, 安装成功

安装lxml库

1. 安装lxml库

• 找到python安装位置, 确定包的安装位置

• 切换到该路径的Scripts目录中, 所有的py工具包都安装在这里
• 执行安装命令 pip install lxml -i https://pypi.douban.com/simple

• 验证是否安装成功 (重启IEDA)

1. 基础API

• 导入lxml.etree

• • from lxml import etree

• etree.parse() 解析本地文件

• • html_tree = etree.parse('xx.html')

• etree.HTML() 服务器响应文件

• • html_tree = etree.HTML(response.read().decode('utf-8')

• html_tree.xpath(xpath路径)
• 基础语法

1. 示例代码

   • 北京
   • 上海
   • 深圳
   • 武汉

   from lxml import etree

   xpath解析

   （1）本地文件 etree.parse

   （2）服务器响应的数据 response.read().decode('utf-8') ***** etree.HTML()

   xpath解析本地文件

   tree = etree.parse('12_xpath基础使用.html')

   #tree.xpath('xpath路径')

   查找ul下面的li

   li_list = tree.xpath('//body/ul/li')

   查找所有有id的属性的li标签

   text()获取标签中的内容

   li_list = tree.xpath('//ul/li[@id]/text()')

   找到id为l1的li标签 注意引号的问题

   li_list = tree.xpath('//ul/li[@id="l1"]/text()')

   查找到id为l1的li标签的class的属性值

   li = tree.xpath('//ul/li[@id="l1"]/@class')

   查询id中包含l的li标签

   li_list = tree.xpath('//ul/li[contains(@id,"l")]/text()')

   查询id的值以l开头的li标签

   li_list = tree.xpath('//ul/li[starts-with(@id,"c")]/text()')

   #查询id为l1和class为c1的

   li_list = tree.xpath('//ul/li[@id="l1" and @class="c1"]/text()')

   li_list = tree.xpath('//ul/li[@id="l1"]/text() | //ul/li[@id="l2"]/text()')

   判断列表的长度

   print(li_list)
   print(len(li_list))

案例: 获取百度网站的"百度一下"文本

# （1） 获取网页的源码
# （2） 解析   解析的服务器响应的文件  etree.HTML
# (3)  打印

import urllib.request

url = 'https://www.baidu.com/'

headers = {
    'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/92.0.4515.159 Safari/537.36'
}

# 请求对象的定制
request = urllib.request.Request(url = url,headers = headers)

# 模拟浏览器访问服务器
response = urllib.request.urlopen(request)

# 获取网页源码
content = response.read().decode('utf-8')

# 解析网页源码 来获取我们想要的数据
from lxml import etree

# 解析服务器响应的文件
tree = etree.HTML(content)

# 获取想要的数据  xpath的返回值是一个列表类型的数据
result = tree.xpath('//input[@id="su"]/@value')[0]

print(result)

1. xpath插件可以帮我们测试匹配表达式

案例: 站长素材的爬取

# (1) 请求对象的定制
# （2）获取网页的源码
# （3）下载


# 需求 下载的前十页的图片
# https://sc.chinaz.com/tupian/qinglvtupian.html   1
# https://sc.chinaz.com/tupian/qinglvtupian_page.html

import urllib.request
from lxml import etree

def create_request(page):
    if(page == 1):
        url = 'https://sc.chinaz.com/tupian/qinglvtupian.html'
    else:
        url = 'https://sc.chinaz.com/tupian/qinglvtupian_' + str(page) + '.html'

    headers = {
        'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/92.0.4515.159 Safari/537.36',
    }

    request = urllib.request.Request(url = url, headers = headers)
    return request

def get_content(request):
    response = urllib.request.urlopen(request)
    content = response.read().decode('utf-8')
    return content


def down_load(content):
#     下载图片
    # urllib.request.urlretrieve('图片地址','文件的名字')
    tree = etree.HTML(content)

    name_list = tree.xpath('//div[@id="container"]//a/img/@alt')

    # 一般设计图片的网站都会进行懒加载, 所以提取src2属性
    src_list = tree.xpath('//div[@id="container"]//a/img/@src2')

    for i in range(len(name_list)):
        name = name_list[i]
        src = src_list[i]
        url = 'https:' + src

        urllib.request.urlretrieve(url=url,filename='./data/' + name + '.jpg')




if __name__ == '__main__':
    start_page = int(input('请输入起始页码'))
    end_page = int(input('请输入结束页码'))

    for page in range(start_page,end_page+1):
        # (1) 请求对象的定制
        request = create_request(page)
        # （2）获取网页的源码
        content = get_content(request)
        # （3）下载
        down_load(content)

JsonPath

jsonpath的安装及使用方式:

1. pip安装:

• 切换到Script目录后, 执行安装命令
• pip install jsonpath

1. jsonpath的使用:

• obj = json.load(open('json文件', 'r' ,encoding='utf-8'))
• ret = jsonpath.jsonpath(obj, 'jsonpath语法')
• 注意: jsonpath只能解析json文件

1. 教程文字（http://blog.csdn.net/luxideyao/article/details/77802389）

2. jsonpath语法示例

   { "store": {
   "book": [
   { "category": "修真",
   "author": "六道",
   "title": "坏蛋是怎样练成的",
   "price": 8.95
   },
   { "category": "修真",
   "author": "天蚕土豆",
   "title": "斗破苍穹",
   "price": 12.99
   },
   { "category": "修真",
   "author": "唐家三少",
   "title": "斗罗大陆",
   "isbn": "0-553-21311-3",
   "price": 8.99
   },
   { "category": "修真",
   "author": "南派三叔",
   "title": "星辰变",
   "isbn": "0-395-19395-8",
   "price": 22.99
   }
   ],
   "bicycle": {
   "author": "老马",
   "color": "黑色",
   "price": 19.95
   }
   }
   }

   import json
   import jsonpath

   obj = json.load(open('15_解析_jsonpath.json','r',encoding='utf-8'))

   书店所有书的作者

   author_list = jsonpath.jsonpath(obj,'$.store.book[*].author')

   print(author_list)

   所有的作者

   author_list = jsonpath.jsonpath(obj,'$..author')

   print(author_list)

   store下面的所有的元素

   tag_list = jsonpath.jsonpath(obj,'$.store.*')

   print(tag_list)

   store里面所有东西的price

   price_list = jsonpath.jsonpath(obj,'$.store..price')

   print(price_list)

   第三个书

   book = jsonpath.jsonpath(obj,'$..book[2]')

   print(book)

   最后一本书

   book = jsonpath.jsonpath(obj,'$..book[(@.length-1)]')

   print(book)

   前面的两本书

   book_list = jsonpath.jsonpath(obj,'$..book[0,1]')

   book_list = jsonpath.jsonpath(obj,'$..book[:2]')

   print(book_list)

   条件过滤需要在（）的前面添加一个？

   过滤出所有的包含isbn的书。

   book_list = jsonpath.jsonpath(obj,'$..book[?(@.isbn)]')

   print(book_list)

   哪本书超过了10块钱

   book_list = jsonpath.jsonpath(obj,'$..book[?(@.price>10)]')
   print(book_list)

案例: jsonpath 解析淘票票

import urllib.request

url = 'https://dianying.taobao.com/cityAction.json?activityId&_ksTS=1629789477003_137&jsoncallback=jsonp138&action=cityAction&n_s=new&event_submit_doGetAllRegion=true'

# 注意
# headers中:开头的参数一般都是无效的, 如:authority
# accept-encoding也要去掉, 不然会提示编码错误
headers = {
    # ':authority': 'dianying.taobao.com',
    # ':method': 'GET',
    # ':path': '/cityAction.json?activityId&_ksTS=1629789477003_137&jsoncallback=jsonp138&action=cityAction&n_s=new&event_submit_doGetAllRegion=true',
    # ':scheme': 'https',
    'accept': 'text/javascript, application/javascript, application/ecmascript, application/x-ecmascript, */*; q=0.01',
    # 'accept-encoding': 'gzip, deflate, br',
    'accept-language': 'zh-CN,zh;q=0.9',
    'cookie': 'cna=UkO6F8VULRwCAXTqq7dbS5A8; miid=949542021157939863; sgcookie=E100F01JK9XMmyoZRigjfmZKExNdRHQqPf4v9NIWIC1nnpnxyNgROLshAf0gz7lGnkKvwCnu1umyfirMSAWtubqc4g%3D%3D; tracknick=action_li; _cc_=UIHiLt3xSw%3D%3D; enc=dA18hg7jG1xapfVGPHoQCAkPQ4as1%2FEUqsG4M6AcAjHFFUM54HWpBv4AAm0MbQgqO%2BiZ5qkUeLIxljrHkOW%2BtQ%3D%3D; hng=CN%7Czh-CN%7CCNY%7C156; thw=cn; _m_h5_tk=3ca69de1b9ad7dce614840fcd015dcdb_1629776735568; _m_h5_tk_enc=ab56df54999d1d2cac2f82753ae29f82; t=874e6ce33295bf6b95cfcfaff0af0db6; xlly_s=1; cookie2=13acd8f4dafac4f7bd2177d6710d60fe; v=0; _tb_token_=e65ebbe536158; tfstk=cGhRB7mNpnxkDmUx7YpDAMNM2gTGZbWLxUZN9U4ulewe025didli6j5AFPI8MEC..; l=eBrgmF1cOsMXqSxaBO5aFurza77tzIRb8sPzaNbMiInca6OdtFt_rNCK2Ns9SdtjgtfFBetPVKlOcRCEF3apbgiMW_N-1NKDSxJ6-; isg=BBoas2yXLzHdGp3pCh7XVmpja8A8S54lyLj1RySTHq14l7vRDNufNAjpZ2MLRxa9',
    'referer': 'https://dianying.taobao.com/',
    'sec-ch-ua': '"Chromium";v="92", " Not A;Brand";v="99", "Google Chrome";v="92"',
    'sec-ch-ua-mobile': '?0',
    'sec-fetch-dest': 'empty',
    'sec-fetch-mode': 'cors',
    'sec-fetch-site': 'same-origin',
    'user-agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/92.0.4515.159 Safari/537.36',
    'x-requested-with': 'XMLHttpRequest',
}

request = urllib.request.Request(url=url, headers=headers)

response = urllib.request.urlopen(request)

content = response.read().decode('utf-8')

# split 切割
content = content.split('(')[1].split(')')[0]

with open('16_jsonpath解析淘票票.json', 'w', encoding='utf-8') as fp:
    fp.write(content)

import json
import jsonpath

obj = json.load(open('16_jsonpath解析淘票票.json', 'r', encoding='utf-8'))

city_list = jsonpath.jsonpath(obj, '$..regionName')

print(city_list)

BeautifulSoup

基本简介

BeautifulSoup简称bs4

1. 什么是BeatifulSoup?

• BeautifulSoup，和lxml一样，是一个html的解析器，主要功能也是解析和提取数据

1. 优缺点?

• 缺点: 效率没有lxml的效率高
• 优点: 接口设计人性化，使用方便

安装以及创建

1. 安装

• pip install bs4

1. 导入

• from bs4 import BeautifulSoup

1. 创建对象

• 服务器响应的文件生成对象

• • soup = BeautifulSoup(response.read().decode(), 'lxml')

• 本地文件生成对象

• • soup = BeautifulSoup(open('1.html'), 'lxml')
  • 注意:默认打开文件的编码格式gbk所以需要指定打开编码格式

1. 获取节点语法

1. 获取节点信息

1. 代码示例

    <div>
        <ul>
            <li id="l1">张三</li>
            <li id="l2">李四</li>
            <li>王五</li>
            <a href="" id="" class="a1">尚硅谷</a>
            <span>嘿嘿嘿</span>
        </ul>
    </div>
   
   
    <a href="" title="a2">百度</a>
   
    <div id="d1">
        <span>
            哈哈哈
        </span>
    </div>
   
    <p id="p1" class="p1">呵呵呵</p>

   from bs4 import BeautifulSoup

   通过解析本地文件 来将bs4的基础语法进行讲解

   默认打开的文件的编码格式是gbk 所以在打开文件的时候需要指定编码

   soup = BeautifulSoup(open('17_解析_bs4的使用.html',encoding='utf-8'),'lxml')

   根据标签名查找节点

   找到的是第一个符合条件的数据

   print(soup.a)

   获取标签的属性和属性值

   print(soup.a.attrs)

   bs4的一些函数

   （1）find

   返回的是第一个符合条件的数据

   print(soup.find('a'))

   根据title的值来找到对应的标签对象

   print(soup.find('a',title="a2"))

   根据class的值来找到对应的标签对象 注意的是class需要添加下划线

   print(soup.find('a',class_="a1"))

   （2）find_all 返回的是一个列表 并且返回了所有的a标签

   print(soup.find_all('a'))

   如果想获取的是多个标签的数据 那么需要在find_all的参数中添加的是列表的数据

   print(soup.find_all(['a','span']))

   limit的作用是查找前几个数据

   print(soup.find_all('li',limit=2))

   （3）select（推荐）

   select方法返回的是一个列表 并且会返回多个数据

   print(soup.select('a'))

   可以通过.代表class 我们把这种操作叫做类选择器

   print(soup.select('.a1'))

   print(soup.select('#l1'))

   属性选择器---通过属性来寻找对应的标签

   查找到li标签中有id的标签

   print(soup.select('li[id]'))

   查找到li标签中id为l2的标签

   print(soup.select('li[id="l2"]'))

   层级选择器

   后代选择器

   找到的是div下面的li

   print(soup.select('div li'))

   子代选择器

   某标签的第一级子标签

   注意：很多的计算机编程语言中 如果不加空格不会输出内容 但是在bs4中 不会报错 会显示内容

   print(soup.select('div > ul > li'))

   找到a标签和li标签的所有的对象

   print(soup.select('a,li'))

   节点信息

   获取节点内容

   obj = soup.select('#d1')[0]

   如果标签对象中 只有内容 那么string和get_text()都可以使用

   如果标签对象中 除了内容还有标签 那么string就获取不到数据 而get_text()是可以获取数据

   我们一般情况下 推荐使用get_text()

   print(obj.string)

   print(obj.get_text())

   节点的属性

   obj = soup.select('#p1')[0]

   name是标签的名字

   print(obj.name)

   将属性值左右一个字典返回

   print(obj.attrs)

   获取节点的属性

   obj = soup.select('#p1')[0]

   print(obj.attrs.get('class'))
   print(obj.get('class'))
   print(obj['class'])

案例: 爬取星巴克数据

import urllib.request

url = 'https://www.starbucks.com.cn/menu/'

response = urllib.request.urlopen(url)

content = response.read().decode('utf-8')


from bs4 import BeautifulSoup

soup = BeautifulSoup(content,'lxml')

# //ul[@class="grid padded-3 product"]//strong/text()
name_list = soup.select('ul[class="grid padded-3 product"] strong')

for name in name_list:
    print(name.get_text())