lxinghua

博客园 首页 新随笔 联系 订阅 管理
爬虫学习04之数据提取

jaonpath

 

 数据提取

使用普通查找：

print(data["store"]["book"][0]["author"]   #  找到book下的第一个author

使用jsonpath查找：

print(jsonpath.jsonpath(data, "$..author"))  # 所有author节点

print(jsonpath.jsonpath(data, "$.store.book[*].author"))   # 所有book的authoe节点

print(jsonpath.jsonpath(data, "$.store.*"))   # store下的所有节点，book数组和bicycle节点

print(jsonpath.jsonpath(data, "$.store..price"))   # store下的所有price节点

print(jsonpath.jsonpath(data, "$..book[2]"))   # 匹配第3个book节点

print(jsonpath.jsonpath(data, "$..book[@. length-1]"))   # 匹配倒数第1个book节点  写法一

print(jsonpath.jsonpath(data, "$..book[-1:]"))   # 匹配倒数第1个book节点  写法二

print(jsonpath.jsonpath(data, "$..book[：2]"))   # 匹配前两个book节点

print(jsonpath.jsonpath(data, "$..book[?(@. isbn]"))   # 过滤含isbn字段的节点，找到所有含ISBN的数据

print(jsonpath.jsonpath(data, "$.store.book[?. price<10)]"))   # 过滤price<10的节点，找到价格低于10的数据

BS4   https://www.crummy.com/software/BeautifulSoup/bs4/doc/index.zh.html

beautifulsoup bs 是一个从网页中提取数据的包。

from bs4 import BeautifulSoup


html_doc = """
<html>
<head><title>The Dormouse's story</title></head>
<body>
    <a href="https://www.baidu.com">百度</a>
    <p class="title"><b>The Dormouse's story</b></p>
    
    <p class="story">Once upon a time there were three little sisters; and their names were
        <span>this is span tag!</span>
        <a href="http://example.com/elsie" class="sister" id="link1">Elsie</a>,
        <a href="http://example.com/lacie" class="sister" id="link2">Lacie</a> and
        <a href="http://example.com/tillie" class="sister" id="link3">Tillie</a>;
    and they lived at the bottom of a well.
    </p>
    
    <p class="story science">this is a story</p>
</body>
"""


bs = BeautifulSoup(html_doc, "html.parser")


"""
通过标签获取数据
"""
# 获取文档的标题
title = bs.title  # Tag类型对象
# print(title, type(title))
# print(title.text)
# print(bs.title.text)


# p = bs.p   # 只会拿到文档中的第一个p标签
# print(p, type(p))

# a = bs.a

# attrs = a.attrs  # 会返回属性的字典
# 链接地址（href对应的值）
# print(attrs["href"])  # href的值

# 通过特定的方法来获取标签 find_all

# p_list = bs.find_all("p")
#
# # print(p_list, type(p_list))
# p = p_list[-1]
# # print(p, type(p))
# print(p.text, p.attrs["class"])

# p_list = bs.find_all("p", class_="story")
# p_list = bs.find_all("p", class_="science")
# p = bs.find("p", class_="science")

# print(p.text)

"""

通过选择器的方式去找到自己想要的标签
"""
p = bs.select("p.story.science")  #返回的结果是一个列表
p = bs.select_one("p.story.science")
# print(p, type(p))

print(p.text, p.attrs["class"])

正则 re     https://www.runoob.com/regexp/regexp-metachar.html

xpath    https://www.w3school.com.cn/xpath/index.asp

 

 

 

posted on 2023-03-15 20:04  興華  阅读(29)  评论(0)    收藏  举报