常用的类库为lxml,BeautifulSoup,re(正则)
学习Python中有不明白推荐加入交流群
号:960410445
群里有志同道合的小伙伴,互帮互助,
群里有不错的视频学习教程和PDF!
以获取豆瓣电影正在热映的电影名为例,url='https://movie.douban.com/cinema/nowplaying/beijing/'
网页分析
部分网页源码
<ul class="lists"> <li id="3878007" class="list-item" data-title="海王" data-score="8.2" data-star="40" data-release="2018" data-duration="143分钟" data-region="美国 澳大利亚" data-director="温子仁" data-actors="杰森·莫玛 / 艾梅柏·希尔德 / 威廉·达福" data-category="nowplaying" data-enough="True" data-showed="True" data-votecount="105013" data-subject="3878007" >
分析可知我们要的电影名称信息在li标签的data-title属性里
下面开始写代码
爬虫源码展示
import requests from lxml import etree # 导入库 from bs4 import BeautifulSoup import re import time # 定义爬虫类 class Spider(): def __init__(self): self.url = 'https://movie.douban.com/cinema/nowplaying/beijing/' self.headers = { 'User-Agent': 'Mozilla/5.0 (X11; Linux x86_64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/70.0.3538.77 Safari/537.36' } r = requests.get(self.url,headers=self.headers) r.encoding = r.apparent_encoding self.html = r.text def lxml_find(self): '''用lxml解析''' start = time.time() # 三种方式速度对比 selector = etree.HTML(self.html) # 转换为lxml解析的对象 titles = selector.xpath('//li[@class="list-item"]/@data-title') # 这里返回的是一个列表 for each in titles: title = each.strip() # 去掉字符左右的空格 print(title) end = time.time() print('lxml耗时', end-start) def BeautifulSoup_find(self): '''用BeautifulSoup解析''' start = time.time() soup = BeautifulSoup(self.html, 'lxml') # 转换为BeautifulSoup的解析对象()里第二个参数为解析方式 titles = soup.find_all('li', class_='list-item') for each in titles: title = each['data-title'] print(title) end = time.time() print('BeautifulSoup耗时', end-start) def re_find(self): '''用re解析''' start = time.time() titles = re.findall('data-title="(.+)"',self.html) for each in titles: print(each) end = time.time() print('re耗时', end-start) if __name__ == '__main__': spider = Spider() spider.lxml_find() spider.BeautifulSoup_find() spider.re_find()
输出结果
海王 无名之辈 无敌破坏王2:大闹互联网 狗十三 惊涛飓浪 毒液:致命守护者 憨豆特工3 神奇动物:格林德沃之罪.......................
代码说明
1. lxml
lxml是通过xpath来查找
使用前需使用调用ertee.HTML()方法('()'内填HTML代码)生成一个可查找的对象
常用xpath语法如下
//两个斜杠为向下查找孙子标签
/一个斜杠为查找直接儿子标签
[]方括号内填标签属性,如查找class属性为name的a标签,格式为a[@class="name"]
/text()取出标签的内容,如查找网页中的 <a class="name">KAINHUCK</a> 中的KAINHUCK,格式为 //a[@class="name"]/text()
/@attr取出标签的属性,如查找网页中的 <a class="name">KAINHUCK</a> 中的class属性值name,格式为 //a[@class="name"]/@class
2. BeautifulSoup
使用前需先将HTML转换为课查找对象,格式为
BeautifulSoup(html, 'lxml')
html 为HTML代码, 后面的参数为转换方法(其他方法有 'html.parser' , 'html5lib' , 推荐使用 'lxml')
查找方法
info = find('a', id='kain') 查找第一个id属性为kain的a标签,并存进info变量中(其他标签同理)
find_all('a', class_='name')查找所有class属性为name的a标签(注: class 属性需写成 'class_')
info.p.text获取第一个id属性为kain的a标签下的p标签的内容(info为上面例子里的info,其他同理)
info.p['name']获取第一个id属性为kain的a标签下的p标签的name属性值(info为上面例子里的info,其他同理)
当代码中有很多同级标签时
<p class='info-list'> <a class='name'>text1</a> <a class='name'>text2</a> <a class='name'>text3</a> <a class='name'>text4</a> </p>
示例代码如下
from bs4 import BeautifulSoup html = ''' <p class='info-list'> <a class='name'>text1</a> <a class='name'>text2</a> <a class='name'>text3</a> <a class='name'>text4</a> </p> ''' soup = BeautifulSoup(html, 'lxml') texts = soup.find('p', class_='info-list') print(texts.contents[1].text) # 输出text1 print(texts.contents[2].text) # 输出text2 print(texts.contents[3].text) # 输出text3 print(texts.contents[4].text) # 输出text4
注意:不是从0开始
3. re(正则表达式)
正则表达式内容较多,大家可以参考 这里
总结
使用lxml查找时可以在目标网页按F12调出开发者窗口然后再在按Ctrl+f查找,在查找栏里输入你的xpath语法可以检查是否能找到对应内容
可以从看例子的输出中看出三种方法的速度
lxml耗时 0.007623910903930664 BeautifulSoup耗时 0.061043500900268555 re耗时 0.0004856586456298828
对以上三种最常用的解析网页的方法做个对比
综上,对于网页内容的解析,这里推荐新手使用lxml方法,而对速度有要求就使用正则表达式(入门有点困难)