Day:004（3） | Python爬虫：高效数据抓取的编程技术（数据解析）

news2024/11/23 20:03:00

BS4实战-人民网

人民网_网上的人民日报 (people.com.cn)http://www.people.com.cn/

import requests
from fake_useragent import UserAgent
from bs4 import BeautifulSoup

url = 'http://www.people.com.cn/'
headers ={'User-Agent':UserAgent().chrome}
# 发送请求
resp = requests.get(url,headers=headers)
# 设置字符集
resp.encoding='gbk'
# 获取结果
# with open('tmp.html','w',encoding='utf-8')
as f:
#     f.write(resp.text)
# 构建一个bs4的对象
bs = BeautifulSoup(resp.text,'lxml')
# 提取数据
infos = bs.select('ul.list1 > li > a')
# 遍历结果集
for a in infos:
    print(f'{a.text} === {a.get("href")}')

数据解析-pyquery

介绍
如果你对CSS选择器与Jquery有有所了解，那么还有个解析库可以适合你--PyQuery

PyQuery：一个类似 jQuery 的 Python 库 — PyQuery 1.2.4 文档 (pythonhosted.org)

安装

pip install pyquery

使用方式：

初始化方式：

字符串

from pyquery import PyQuery as pq
doc = pq(str)
print(doc(tagname))

from pyquery import PyQuery as pq
doc = pq(url='http://www.baidu.com')
print(doc('title'))

文件

from pyquery import PyQuery as pq
doc = pq(filename='demo.html')
print(doc(tagname))

选择节点：

获取当前节点

from pyquery import PyQuery as pq
doc = pq(filename='demo.html')
doc('#main #top')

获取子节点

在doc中一层层写出来

获取到父标签后使用children方法

from pyquery import PyQuery as pq
doc = pq(filename='demo.html')
doc('#main #top').children()

获取父节点

获取到当前节点后使用parent方法

获取兄弟节点

获取到当前节点后使用siblings方法

获取属性：

from pyquery import PyQuery as pq
doc = pq(filename='demo.html')
a = doc('#main #top')
print(a.attrib['href'])  #Element
print(a.attr('href')) #PyQuery

获取内容：

from pyquery import PyQuery as pq
doc = pq(filename='demo.html')
div = doc('#main #top')
print(a.html())
print(a.text()) # pyquery
print(a.text) #element

代码

from pyquery import PyQuery as pq
# 1.可加载一段HTML字符串，或一个HTML文件，或是一个
url地址，
d=pq("<html><title>hello</title></html>")
d=pq(filename=path_to_html_file)
d=pq(url='http://www.baidu.com') # 注意：此处
url似乎必须写全
# 2.html()和text() ——获取相应的HTML块或文本块，
p=pq("<head><title>hello</title></head>")
p('head').html()#返回<title>hello</title>
p('head').text()#返回hello
# 3.根据HTML标签来获取元素，
d=pq('<div><p>test 1</p><p>test 2</p>
</div>')
d('p')#返回[<p>,<p>]
print(d('p'))#返回<p>test 1</p><p>test 2</p>
print(d('p').html())#返回test 1
# 注意：当获取到的元素不只一个时，html()方法只返回首
个元素的相应内容块
# 4.eq(index) ——根据给定的索引号得到指定元素。接上
例，若想得到第二个p标签内的内容，则可以：
print(d('p').eq(1).html()) #返回test 2
# 5.filter() ——根据类名、id名得到指定元素，例：
d=pq("<div><p id='1'>test 1</p><p
class='2'>test 2</p></div>")
d('p').filter('#1') #返回[<p#1>]
d('p').filter('.2') #返回[<p.2>]
# 6.find() ——查找嵌套元素，例：
d=pq("<div><p id='1'>test 1</p><p
class='2'>test 2</p></div>")
d('div').find('p')#返回[<p#1>, <p.2>]
d('div').find('p').eq(0)#返回[<p#1>]
#7.直接根据类名、id名获取元素，例：
d=pq("<div><p id='1'>test 1</p><p
class='2'>test 2</p></div>")
d('#1').html()#返回test 1
d('.2').html()#返回test 2
# 8.获取属性值，例：
d=pq("<p id='my_id'><a
href='http://hello.com'>hello</a></p>")
d('a').attr('href')#返回http://hello.com
d('p').attr('id')#返回my_id
# 9.修改属性值，例：
d('a').attr('href', 'http://baidu.com')把
href属性修改为了baidu
# 10.addClass(value) ——为元素添加类，例：
d=pq('<div></div>')
d.addClass('my_class')#返回[<div.my_class>]
# 11.hasClass(name) #返回判断元素是否包含给定的
类，例：
d=pq("<div class='my_class'></div>")
d.hasClass('my_class')#返回True
# 12.children(selector=None) ——获取子元素，例：
d=pq("<span><p id='1'>hello</p><p
id='2'>world</p></span>")
d.children()#返回[<p#1>, <p#2>]
d.children('#2')#返回[<p#2>]
# 13.parents(selector=None)——获取父元素，例：
d=pq("<span><p id='1'>hello</p><p
id='2'>world</p></span>")
d('p').parents()#返回[<span>]
d('#1').parents('span')#返回[<span>]
d('#1').parents('p')#返回[]
# 14.clone() ——返回一个节点的拷贝
#15.empty() ——移除节点内容
# 16.nextAll(selector=None) ——返回后面全部的元
素块，例：
d=pq("<p id='1'>hello</p><p id='2'>world</p>
<img scr='' />")
d('p:first').nextAll()#返回[<p#2>, <img>]
d('p:last').nextAll()#返回[<img>]
# 17.not_(selector) ——返回不匹配选择器的元素，
例：
d=pq("<p id='1'>test 1</p><p id='2'>test
2</p>")
d('p').not_('#2')#返回[<p#1>]

数据解析-xpath的使用

介绍

之前 BeautifulSoup 的用法，这个已经是非常强大的库了，不过还有一些比较流行的解析库，例如 lxml，使用的是 Xpath 语法，同样是效率比较高的解析方法。如果大家对 BeautifulSoup使用不太习惯的话，可以尝试下 Xpath

lxml - Processing XML and HTML with Pythonhttps://lxml.de/index.html XPath 教程 (w3school.com.cn)https://www.w3school.com.cn/xpath/index.asp

XPath语法

XPath 是一门在 XML 文档中查找信息的语言。XPath 可用来在XML 文档中对元素和属性进行遍历。XPath 是 W3C XSLT 标准的主要元素，并且 XQuery 和 XPointer 都构建于 XPath 表达之上

节点的关系：

父（Parent）
子（Children）
同胞（Sibling）
先辈（Ancestor）
后代（Descendant）

常用的路径表达式：

表达式	描述
nodename	选取此节点的所有子节点
/	从根节点选取
//	从匹配选择的当前节点选择文档中的节点，而不考虑它们的位置
.	选取当前节点
..	选取当前节点的父节点
@	选取属性

通配符：

XPath 通配符可用来选取未知的 XML 元素。

通配符	描述	举例	结果
*	匹配任何元素节点	xpath('div/*')	获取div下的所有子节点
@	匹配任何属性节点	xpath('div[@*]')	选取所有带属性的div节点
node()	匹配任何类型的节点

选取若干路径：

通过在路径表达式中使用“|”运算符，您可以选取若干个路径

表达式	结果
xpath('//div \| //table')	获取所有的div与table节点

谓语：

谓语被嵌在方括号内，用来查找某个特定的节点或包含某个制定的值的节点

表达式	结果
xpath('/body/div[1]')	选取body下的第一个div节点
xpath('/body/div[last()]')	选取body下最后一个div节点
xpath('/body/div[last()-1]')	选取body下倒数第二个节点
xpath('/body/div[positon()<3]')	选取body下前两个div节点
xpath('/body/div[@class]')	选取body下带有class属性的div节点
xpath('/body/div[@class="main"]')	选取body下class属性为main的div节点
xpath('/body/div[price>35.00]')	选取body下price元素大于35的div节点

运算符：

运算符	描述	实例	返回值
//	计算两个节点集	//book	//cd
+	加法	6 + 4	10
–	减法	6 – 4	2
*	乘法	6 * 4	24
div	除法	8 div 4	2
=	等于	price=9.80	如果 price 是 9.80，则返回 true。如果 price 是9.90，则返回 false
!=	不等于	price!=9.80	如果 price 是 9.90，则返回 true。如果 price 是9.80，则返回 false。
<	小于	price<9.80	如果 price 是 9.00，则返回 true。如果 price 是9.90，则返回 false。
<=	小于或等于	price<=9.80	如果 price 是 9.00，则返回 true。如果 price 是 9.90，则返回 false。
>	大于	price>9.80	如果 price 是 9.90，则返回 true。如果 price 是9.80，则返回 false。
>=	大于或等于	price>=9.80	如果 price 是 9.90，则返回 true。如果 price 是9.70，则返回 false。
or	或	price=9.80 or price=9.70	如果 price 是 9.80，则返回 true。如果 price 是9.50，则返回 false。
and	与	price>9.00 and price<9.90	如果 price 是 9.80，则返回 true。如果 price 是 8.50，则返回 false。
mod	计算除法的余数	5 mod 2	1