python爬虫入门之数据解析

第四章.数据解析

解析 :根据指定的规则对数据进行提取
作用 :实现聚焦爬虫

聚焦爬虫编码流程:

1.指定url
2.发起请求
3.获取响应数据
4.数据解析
5.持久化存储

4.1数据解析通用原理

数据解析作用地点
- 页面源码(一组html标签组成的)
html标签核心作用
- 用于展示数据
html是如何展示数据的
- html所要展示的数据一定是被放置在html标签中,或者是在属性中
通用原理 : 1.标签定位. 2.取文本或取属性

4.2四种数据解析的方式

4.2.1 正则

需求 : 爬取xx百科中糗图数据

链接地址 : https://www.qiushibaike.com

两种爬取方式

#方式一:
import requests
#即将发起请求对应的头信息
headers = {
    "User-Agent":"Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/76.0.3809.100 Safari/537.36"
}
url = "https://pic.qiushibaike.com/system/pictures/12217/122176374/medium/XBOP3Y2YQM1SEEXA.jpg"
img_data = requests.get(url=url,headers=headers).content    #content返回的是 byte 类型的数据
with open("./123.jpg",'wb') as f:
    f.write(img_data)

#方式二:
from urllib import request
url = "https://pic.qiushibaike.com/system/pictures/12217/122176374/medium/XBOP3Y2YQM1SEEXA.jpg"
request.urlretrieve(url,"./456.jpg")

方式一和方式二对于图片操作最大的不同之处是什么?
- 方式二不可以使用UA伪装的机制

单页数据的爬取

#糗事百科
import re
import os
from urllib import request

dir_name = "./qiutu"
if not os.path.exists(dir_name):
    os.mkdir(dir_name)

url = "https://www.qiushibaike.com/pic/"
page_text = requests.get(url=url,headers=headers).text
#数据解析,图片地址
#正则表达式
ex = '<div class="thumb">.*?<img src="(.*?)" alt=.*?</div>'
img_src_list = re.findall(ex,page_text,re.S)   # re.S单行匹配
for src in img_src_list:
    src = "https:" + src
    img_name = src.split("/")[-1]
    #图片存储地址
    img_path = dir_name + "/" + img_name
    #对图片地址单独发起请求获取文件数据
    request.urlretrieve(src,img_path)
    print(img_name,"下载成功")

爬取分页分析每个页码对应的url是有共性的:https://www.qiushibaike.com/pic/page/3/?s=5222981

#糗事百科
import re
import os
from urllib import request

dir_name = "./qiutumany"
if not os.path.exists(dir_name):
    os.mkdir(dir_name)

#指定一个通用模板(不可变)
url = "https://www.qiushibaike.com/pic/page/%d/"

for page in range(1,5):
    print("正在打印第{}页的数据".format(page))
    #形成某页码完整url
    new_url = format(url%page)
    page_text = requests.get(url=new_url,headers=headers).text
    #数据解析,图片地址
    #正则表达式
    ex = '<div class="thumb">.*?<img src="(.*?)" alt=.*?</div>'
    img_src_list = re.findall(ex,page_text,re.S)   # re.S单行匹配
    for src in img_src_list:
        src = "https:" + src
        img_name = src.split("/")[-1]
        #图片存储地址
        img_path = dir_name + "/" + img_name
        #对图片地址单独发起请求获取文件数据
        request.urlretrieve(src,img_path)

模块 :urllib

urllib就是一个比较老的网络请求模块,在requests没出现之前,请求发送的都是urllib

4.2.2 bs4

#环境的安装
pip install bs4
pip install lxml

#解析原理
    1.实例化一个BeautifulSoup对象,并且将即将被解析的页面源码数据加载到该对象中
    2.调用BeautifulSoup对象的相关属性和方法来进行标签定位和数据提取
#如何实例化BeautifulSoup对象
    BeautifulSoup(fp,"lxml")    #专门用于解析本地存储的html文档中的数据
    BeautifulSoup(page_text,"lxml")  #专门用于将互联网请求到的页面源码数据进行解析

标签定位

soup.tagName   : 定位到第一个tagName标签,返回的是单数
#属性定位:
    soup.find(tagName,attrName="value")  返回的是单数
    soup.find_all(tagName,attrName="value")  返回的是列表
#选择器定位:
    select("选择器")  返回的是列表
     标签,类,i, 层级   > :一个层级  空格:多个层级

from bs4 import BeautifulSoup
fp = open("./test.html",'r',encoding='utf-8')
soup = BeautifulSoup(fp,"lxml")    #将即将被解析的页面源码加载到对象中
soup.p    #<p>百里守约</p>
#find用于属性定位
soup.find("div")       
soup.find("div",class_="song")
soup.find_all("div",class_="song")
soup.select(".tang")
soup.select("#feng")
soup.select(".tang > ul > li ")
li_6 = soup.select(".tang > ul > li")[6]    #<li><i>度蜜月</i></li>
li_6.i          #<i>度蜜月</i>
li_6.i.text     #'度蜜月'
li_6.i.string   #'度蜜月'
soup.find("a",id="feng")
soup.find("a",id="feng")["href"]

soup.find("div")

soup.find("div",class_="song")_
soup.find_all("div",class_="song")
类选择器 :soup.select(".tang")
id选择器 :soup.select("#feng")
层级选择器 : soup.select(".tang > ul > li ")
soup.find("a",id="feng")
soup.find("a",id="feng")["href"]

取数据

#取文本
    tag.string   标签中直系的文本内容
     tag.text     标签中所有文本内容  
#取属性

需求:爬取三国演义整篇小说内容

章节名称
章节内容
链接地址 :http://www.shicimingju.com/book/sanguoyanyi.html

import requests
#在首页中解析章节名称和每个章节详情页的url
url = "http://www.shicimingju.com/book/sanguoyanyi.html"
headers = {
    "User-Agent":"Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/76.0.3809.100 Safari/537.36"
}
page_text = requests.get(url=url,headers=headers).text
page_text
soup = BeautifulSoup(page_text,"lxml")
a_list = soup.select(".book-mulu > ul > li > a")
fp = open("sanguo.txt",'w',encoding="utf-8")
for a in a_list:
    detail_url = "http://www.shicimingju.com"+ a["href"]
    title = a.text
    #对章节详情页的url发起请求,解析详情页的章节内容
    detail_page_text = requests.get(url=detail_url,headers=headers).text
    soup = BeautifulSoup(detail_page_text,"lxml")
    chap_content = soup.find("div",class_="chapter_content").text
    fp.write(title + ":"+chap_content)
    print(title,"爬取成功")
fp.close()

4.2.3 xpath

#环境的安装: pip install lxml
#xpath解析原理:
    1.实例化一个etree类型的对象,且将页面源码加载到该对象中
    2.需要调用该对象的xpath方法结合不同形式的xpath表达式进行标签定位和数据提取 
#etree对象的实例化
    etree.parse(fileName)           #用于解析本地存储的html文档中的数据
    etree.HTML(page_text)           #用于将互联网请求到的页面源码数据进行解析
#xpath返回的永远是一个列表

标签定位

1.xpath表达式中"最"最左边的"/"表示的含义是,当前定位的标签必须从根节点开始进行定位
2.xpath表达式中"最"最左边的"//"表示可以从任意位置进行标签定位
3.xpath表达式中"非"最左边的"/"表示的是一个层级
4.xpath表达式中"非"最左边的"//"表示的是多个层级
#属性定位:
    //tageName[@class='value']
#索引定位:

提取数据

#取文本
    /text()   取直系的文本
    //text()   取所有文本内容
#取属性
    tag/@attrName

from lxml import etree
tree = etree.parse("./test.html")
tree.xpath("/html/head/meta")   #[<Element meta at 0x84fbb08>] -->绝对路径
tree.xpath("//meta")[0]         #[<Element meta at 0x8523748>] -->相对路径,将页面中所有的meta进行定位
tree.xpath("/html//meta")[0]  
#属性定位
tree.xpath('//div[@class="song"]') 
#索引定位
tree.xpath('//div[@class="tang"]/ul/li[3]')  #该索引从 1 开始
#取文本
tree.xpath('//p[1]/text()')   #['百里守约', '李清照']
tree.xpath('//div[@class="song"]//text()') 
#取属性  
tree.xpath('//a[@id="feng"]/@href')  #['http://www.haha.com']

需求 :爬取xx直聘招聘信息

岗位名称
公司名称
薪资
岗位描述

import requests
from lxml import etree
headers = {
    'User-Agent':'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/76.0.3809.100 Safari/537.36',
    'cookie':'lastCity=101010100; __c=1566877560; __g=-; Hm_lvt_194df3105ad7148dcf2b98a91b5e727a=1566877561; _uab_collina=156687756118178796315757; __l=l=%2Fwww.zhipin.com%2F&r=https%3A%2F%2Fwww.baidu.com%2Flink%3Furl%3DidbSvNzz2fLSl1WXiEmtINauVHUZYSNqejHny725pc5RTwaHqh5uDx1LewpyGmaT%26wd%3D%26eqid%3Dbadf667700040677000000025d64a772&friend_source=0&friend_source=0; __zp_stoken__=91d9QItKEtUk5dMMnDG7lwzq8mBW1g%2FkEsFOHXIi%2FwMd%2FPRRXc%2FPMKjsDYwsfC4b7vAT3FVnTmYBjGp8gW1OeZ5TdA%3D%3D; Hm_lpvt_194df3105ad7148dcf2b98a91b5e727a=1566879753; __a=69160831.1566877560..1566877560.16.1.16.16'
}
url = 'https://www.zhipin.com/job_detail/?query=python%E7%88%AC%E8%99%AB&city=101010100&industry=&position='
page_text = requests.get(url,headers=headers).text
#数据解析
tree = etree.HTML(page_text)
li_list = tree.xpath('//div[@class="job-list"]/ul/li')
for li in li_list:
#     需要将li表示的局部页面源码数据中的相关数据进行提取
#     如果xpath表达式被作用在了循环中,表达式要以./或者.//开头
    detail_url = 'https://www.zhipin.com'+li.xpath('.//div[@class="info-primary"]/h3/a/@href')[0]
    job_title = li.xpath('.//div[@class="info-primary"]/h3/a/div/text()')[0]
    salary = li.xpath('.//div[@class="info-primary"]/h3/a/span/text()')[0]
    company = li.xpath('.//div[@class="info-company"]/div/h3/a/text()')[0]
    #对详情页的url发请求解析出岗位职责
    detail_page_text = requests.get(detail_url,headers=headers).text
    tree = etree.HTML(detail_page_text)
    job_desc = tree.xpath('//div[@class="text"]//text()')
    job_desc = ''.join(job_desc)
    
    print(job_title,salary,company,job_desc)

需求 :爬取xx百科的段子内容和作者名称

链接地址 :https://www.qiushibaike.com/text/page/3/

import requests
from lxml import etree

headers = {
    "User-Agent":"Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/76.0.3809.100 Safari/537.36"
}
url = "https://www.qiushibaike.com/text/page/4/"
page_text = requests.get(url=url,headers=headers).text
tree = etree.HTML(page_text)
div_list = tree.xpath("//div[@id='content-left']/div")
for div in div_list:
    author = div.xpath("./div[1]/a[2]/h2/text() | ./div[1]/span[2]/h2/text()")[0]
    content = div.xpath("./a[1]/div[@class='content']/span//text()")
    content = "".join(content)
    print(author,content)

#总结:
    另一种较为通用的xpath表达式的使用形式: #管道符"|"在xpath表达式中的应用
    #用处 : 用于解析不规则布局的页面数据

中文乱码处理问题

爬取http://pic.netbian.com/4kmeishi/的图片和图片名称

import requests
from lxml import etree

headers = {
    'User-Agent':'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/76.0.3809.100 Safari/537.36',
}
#指定一个通用的url模板
url = 'http://pic.netbian.com/4kmeishi/index_%d.html'

for page in range(1,3):
    if page == 1:
        new_url = 'http://pic.netbian.com/4kmeishi/'
    else:
        new_url = format(url%page)
    response =  requests.get(new_url,headers=headers)
    #response.encoding = 'utf-8'
    page_text = response.text
    tree = etree.HTML(page_text)
    li_list = tree.xpath('//*[@id="main"]/div[3]/ul/li')
    for li in li_list:
        img_src = 'http://pic.netbian.com'+li.xpath('./a/img/@src')[0]
        img_name = li.xpath('./a/b/text()')[0]
        img_name = img_name.encode('iso-8859-1').decode('gbk')

ConnectionPool错误

#原因一.在短时间内向网站发起了一个高频的请求
    解决方式 :使用代理
#原因二.连接池(http)中的资源被耗尽
    立即将请求断开 Connection:close

xpath和bs4最明显的区别

#解决除携带标签的局部内容
    bs4相关标签定位的方法或属性 返回值就是携带标签的内容

反爬机制之三 :图片懒加载

在img标签应用了伪属性

4.2.4pyquery(扩展)

posted @ 2019-09-10 15:58 Primrose 阅读(457) 评论(0) 收藏举报

刷新页面返回顶部

Primrose

python爬虫入门 之 数据解析

第四章.数据解析

4.1数据解析通用原理

4.2四种数据解析的方式

4.2.1 正则

模块 :urllib

4.2.2 bs4

标签定位

取数据

4.2.3 xpath

标签定位

提取数据

中文乱码处理问题

ConnectionPool错误

xpath和bs4最明显的区别

反爬机制之三 :图片懒加载

4.2.4pyquery(扩展)

公告

python爬虫入门之数据解析