最近在看B站上的视频学习资料,此文是关于用bs4/xpath做数据解析相关的一些使用实例。
bs4解析
- 环境的安装:
- pip install bs4
- pip install lxml
- bs4数据解析的解析原理/流程
- 实例化一个BeautifulSoup对象,且将等待解析的数据加载到该对象中
- 方式1: BeautifulSoup(f,'lxml'):解析本地存储的html文件
- 方式2: BeautifulSoup(page_text,'lxml'):解析互联网上请求到的页面数据
- 调用BeautifulSoup对象中的相关方法和属性进行标签定位和数据的提取
- 标签定位
- soup.tagName: 返回第一次出现的tagName标签
- 属性定位:soup.find('tagName',attrName='value')
- findAll和find的用法一样,但是返回值不一样,findAll返回列表
- 选择器定位:select('selector')
- 数据提取
- 提取标签中存在的数据
- .string: 取出标签直系的文本内容
- .text: 取出标签中所有的文本内容
- 提取标签属性中存储的数据
import requests
from bs4 import BeautifulSoup headers = { 'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/80.0.3987.163 Safari/537.36' } f = open('./test.html','r') soup = BeautifulSoup(f,'lxml') soup.div # 标签定位 soup.find('div',class_='song') # 属性定位:根据树新定位具体的标签,class属性为song的div标签,因为class是内置属性,所以要加下划线class_,如果是id则直接用id='xxx' soup.finAll('a',id='feng') soup.select('#feng') # 根据id选择器定位a标签 soup.select('.song') # 定位class为song的标签 #层级选择器 soup.select('.tang > ul > li > a') # >表示一个层级 soup.select('.tang a') # 空格表示多个层级 soup.p.string # 取出p标签直系的文本内容 soup.div.text # 取出div标签中所有的文本内容 soup.a['href'] # 取出按标签属性为href的数据 # 使用bs4解析爬取三国演义整篇小说内容:http://www.shicimingju.com/book/sanguoyanyi.html # 从首页解析出章节的标题和详情页的url url = 'http://www.shicimingju.com/book/sanguoyanyi.html' page_text = requests.get(url, headers=headers).text # 首页页面的源码数据 f = open('./sanguoyanyi.txt','w',encoding='utf-8') # 数据解析(章节标题,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 url_detail = 'http://www.shicimingju.com' + a['href'] # 解析提取章节内容 page_text_detail = requests.get(url_detail, headers=headers).text # 解析详情页中的章节内容 soup = BeautifulSoup(page_text_detail,'lxml') content = soup.find('div',class_='chapter_content').text f.write(title + ':' + content + '\n') print(title,'下载成功')
xpath解析
- xpath解析原理
- 实例化一个etree对象,且将即将被解析的数据加载到该对象中
- 解析本地存储的html文档:etree.parse('fileName')
- 解析网上爬取的html数据:etree.HTML('page_text')
- 使用etree对象中的xpath方法结合着不同的xpath表达式实现标签定位和数据提取
- 标签定位
- 最左侧的/: 必须要从跟标签开始逐层的定位目标标签
- 非最左侧的/: 表示一个层级
- 最左侧的//: 可以从任意位置定义目标标签
- 非最左侧的//: 表示多个层级
- 属性定位: //tagName[@atrrName='value']
- 索引定位: //tagName[index],index是从1开始的,不是从0
- 模糊匹配:
- //div[contains(@class,'ng')] 定位到class属性中包含ng的div标签
- //div[starts-with(@class,'ta')] 定位到class属性值中以ta开头的div标签
- 数据提取
- 取标签中的数据
- /text(): 直系文本内容
- //text(): 所有文本内容
- 取属性的数据
from lxml import etree
import os tree = etree.parse('./test.html') tree.xpath('/html/head') # 从根标签开始定位head标签,返回<Element>列表 tree.xpath('//head') # 将html文档中所有的head标签定位到 tree.xpath('//div[@class="song"]') # 定位class为song的div标签 tree.xpath('//li[1]') #定位第一个li标签 tree.xpath('//a[@id="feng"]/text()') # 取出id为feng的a标签的直系内容 tree.xpath('//div[@class="song"]//text()') # 取出class为song的div标签里面的所有内容 tree.xpath('//a[@id="feng"]/@href') # 取出id为feng的a标签中属性为href的值 # 爬取图片数据和图片名称,并保存到本地 # 第一页:http://pic.netbian.com/4kmeinv/ # 非第一页:http://pic.netbian.com/4kmeinv/index_2.html dir_name = 'imgLibs' if not os.path.exists(dir_name): os.mkdir(dir_name) url = 'http://pic.netbian.com/4kmeinv/index_%d.html' for page in range(1,6): if page == 1: new_url = 'http://pic.netbian.com/4kmeinv/' else: new_url = format(url%page) # 表示非第一页的url response = requests.get(new_url, headers=headers) response.encoding = 'gbk' page_text = response.text tree = etree.HTML(page_text) # 解析图片地址和图片名称 li_list = tree.xpath('//div[@class="slist"]/ul/li') # 全局解析 for li in li_list: img_src = 'http://pic.netbian.com' + li.xpath('./a/img/@src')[0] # 局部解析,./表示xpath对调用者对应的标签 img_name = li.xpath('./a/img/@alt')[0] + '.jpg' img_data = requests.get(img_src,headers=headers).content # print(img_src, img_name) file_path = dir_name + '/' + img_name with open(file_path,'wb') as f: f.write(img_data) print(img_name,'下载成功') # 如何提升xpath表达式的通用性 url = 'https://www.aqistudy.cn/historydata/' page_text = requests.get(url,headers=