爬虫入门教程 —— 3

常用的数据提取工具：

 1  xpath   2  BeautifulSoup  3 正则表达式   。   

当然了 还有一些 像jsonpath，pyquery等

为什么要用这些解析工具？ 怎么使用？（下节开始我们开始带一些小案列）)

为什么要用解析工具：做爬虫还有对前端了解一些，比如 css   js   ajax 等，因为数据我们前边说了是嵌在html 代码里面的，我们需要提取出来，试想一下化学中的提取某种东西 是不是需要各种器材，爬虫提取数据亦是如此，这些解析工具能帮助我们轻易的获取我们想要的数据。

怎么使用：每个工具啊都有自己的使用方法，和规则，只要我们按照规则就可以

xpath

xpath 是一门在xml文档中查找信息的语言。可以用来在xml文档中对元素和属性进行遍历

菜鸟教程 ：点击打开链接   看完可以找一段简单的网页试下，chrom浏览器还有一些页面的解析工具，很方便

BeautifulSoup           

 

#  from bs4 import BeautifulSoup
soup = BeautifulSoup('xx', 'html.parser')
a = soup.select('a')[0]
onclick = a.get('onclick')
print(onclick)  #xx
获得一个元素后，使用get('attr')可以得到value


string 方法,输出结果与当前唯一子节点的 .string 结果相同。
通俗点说就是：如果一个标签里面没有标签了，那么 .string 就会返回标签里面的内容。
如果标签里面只有唯一的一个标签了，那么 .string 也会返回最里面的内容。
如果超过一个标签的话，那么就会返回None
print soup.head.string  
#The Dormouse's story  
print soup.title.string  
#The Dormouse's story 


print soup.html.string  
# None 


  #***find_all( name , attrs , recursive , text , **kwargs )***********!!!!!!!!!!!!!!
find_all() 方法搜索当前tag的所有tag子节点,并判断是否符合过滤器的条件
1  name 参数
name 参数可以查找所有名字为 name 的tag,字符串对象会被自动忽略掉
#第一个参数为Tag的名称   
tag.find_all(‘title’)    
#得到””,结果为一个列表    
  
#第二个参数为匹配的属性  
tag.find_all(“title”,class=”sister”)    
#得到如”    
  
# 第二个参数也可以为字符串，得到字符串匹配的结果  
tag.find_all(“title”,”sister”)    
#得到如” 


A下面的例子用于查找文档中所有的标签
soup.find_all('b')  
# [The Dormouse's story]  
B.传正则表达式
如果传入正则表达式作为参数,Beautiful Soup会通过正则表达式的 match() 来匹配内容.下面例子中找出所有以b开头的标签,
这表示和标签都应该被找到
import re  
for tag in soup.find_all(re.compile("^b")):  
    print(tag.name)  
# body  
# b  
C.传列表
如果传入列表参数,Beautiful Soup会将与列表中任一元素匹配的内容返回.下面代码找到文档中所有标签和标签
soup.find_all(["a", "b"])  
# [The Dormouse's story,  
#  Elsie,  
#  Lacie,  
#  Tillie]  
D.传 True
True 可以匹配任何值,下面代码查找到所有的tag,但是不会返回字符串节点
E.传方法
2）keyword 参数
注意：如果一个指定名字的参数不是搜索内置的参数名,搜索时会把该参数当作指定名字tag的属性来搜索,
如果包含一个名字为 id 的参数,Beautiful Soup会搜索每个tag的”id”属性
soup.find_all(id='link2')  
# [Lacie] 
如果传入 href 参数,Beautiful Soup会搜索每个tag的”href”属性 
soup.find_all(href=re.compile("elsie"))  
# [Elsie]
使用多个指定名字的参数可以同时过滤tag的多个属性
soup.find_all(href=re.compile("elsie"), id='link1')  
# [three]  
在这里我们想用 class 过滤，不过 class 是 python 的关键词，这怎么办？加个下划线就可以
soup.find_all("a", class_="sister")  
# [Elsie,  
# Lacie,  
# Tillie]  
可以通过 find_all() 方法的 attrs 参数定义一个字典参数来搜索包含特殊属性的tag
data_soup.find_all(attrs={"data-foo": "value"})  
# [
foo!
] 
4）limit 参数
soup.find_all("a", limit=2)  
# [Elsie,  
#  Lacie]   


CSS选择器     用到的方法是 soup.select()，返回类型是 list   在写 CSS 时，标签名不加任何修饰，类名前加点 .      id名前加 #


（1）通过标签名查找
rint soup.select('title')   
#[]  
（2）通过类名查找
print soup.select('.sister')  
（3）通过 id 名查找
print soup.select('#link1')  
#[]  
（4）组合查找   查找 p 标签中，id 等于 link1的内容，二者需要用空格分开
print soup.select('p #link1')  
     直接子标签查找
	 print soup.select("head > title")  
	 #[] 
（5）属性查找
查找时还可以加入属性元素，属性需要用中括号括起来，注意属性和标签属于同一节点，所以中间不能加空格，否则会无法匹配到
print soup.select('a[class="sister"]')  
#[, 
print soup.select('a[href="http://example.com/elsie"]')  
#[] 	
上的 select 方法返回的结果都是列表形式，可以遍历形式输出，然后用 get_text() 方法来获取它的内容
soup = BeautifulSoup(html, 'lxml')  
print type(soup.select('title'))  
print soup.select('title')[0].get_text()  
  
for title in soup.select('title'):  
    print title.get_text()  
	
例如  item['home_page'] = cpy1.find(class_="link-line").find_all('a')[-1].get_text().strip()


#---------------------------------------------------------------------------------------------
	 print soup.select("head > title")  
	 #[] 
（5）属性查找
查找时还可以加入属性元素，属性需要用中括号括起来，注意属性和标签属于同一节点，所以中间不能加空格，否则会无法匹配到
print soup.select('a[class="sister"]')  
#[, 
print soup.select('a[href="http://example.com/elsie"]')  
#[] 	
上的 select 方法返回的结果都是列表形式，可以遍历形式输出，然后用 get_text() 方法来获取它的内容
soup = BeautifulSoup(html, 'lxml')  
print type(soup.select('title'))  
print soup.select('title')[0].get_text()  
  
for title in soup.select('title'):  
    print title.get_text()  
	
例如  item['home_page'] = cpy1.find(class_="link-line").find_all('a')[-1].get_text().strip()


#---------------------------------------------------------------------------------------------

字典中的get()方法取不到会返回None， 直接用键名取 取不到报错。   json.loads可以吧str 转换成字典格式， 把json格式数据转换成python对象

# --------------------------------------------------------------------------------------------------------------------------

正则表达式  

正则表达式手册

正则表达式是处理字符串的强大工具，拥有独特的语法和独立的处理引擎。

我们在大文本中匹配字符串时，有些情况用str自带的函数(比如find, in)可能可以完成，有些情况会稍稍复杂一些(比如说找出所有“像邮箱”的字符串，所有和julyedu相关的句子)，这个时候我们需要一个某种模式的工具，这个时候正则表达式就派上用场了。

说起来正则表达式效率上可能不如str自带的方法，但匹配功能实在强大太多。对啦，正则表达式不是Python独有的，如果已经在其他语言里使用过正则表达式，这里的说明只需要简单看一看就可以上手啦。

1.语法。

当你要匹配 一个/多个/任意个 数字/字母/非数字/非字母/某几个字符/任意字符，想要 贪婪/非贪婪 匹配，想要捕获匹配出来的 第一个/所有 内容的时候，记得这里有个小手册供你

 

4.Python案例

re模块

Python通过re模块提供对正则表达式的支持。

使用re的一般步骤是

• 1.将正则表达式的字符串形式编译为Pattern实例
• 2.使用Pattern实例处理文本并获得匹配结果（一个Match实例）
• 3.使用Match实例获得信息，进行其他的操作。

 

# encoding: UTF-8
import re
 
# 将正则表达式编译成Pattern对象
pattern = re.compile(r'hello.*\!')
 
# 使用Pattern匹配文本，获得匹配结果，无法匹配时将返回None
match = pattern.match('hello, yangshilong! How are you?')
 
if match:
    # 使用Match获得分组信息
    print match.group()

hello, yangshilong!

re.compile(strPattern[, flag]):

这个方法是Pattern类的工厂方法，用于将字符串形式的正则表达式编译为Pattern对象。

第二个参数flag是匹配模式，取值可以使用按位或运算符'|'表示同时生效，比如re.I | re.M。

当然，你也可以在regex字符串中指定模式，比如re.compile('pattern', re.I | re.M)等价于re.compile('(?im)pattern')

flag可选值有：

• re.I(re.IGNORECASE): 忽略大小写（括号内是完整写法，下同）
• re.M(MULTILINE): 多行模式，改变'^'和'$'的行为（参见上图）
• re.S(DOTALL): 点任意匹配模式，改变'.'的行为
• re.L(LOCALE): 使预定字符类 \w \W \b \B \s \S 取决于当前区域设定
• re.U(UNICODE): 使预定字符类 \w \W \b \B \s \S \d \D 取决于unicode定义的字符属性
• re.X(VERBOSE): 详细模式。这个模式下正则表达式可以是多行，忽略空白字符，并可以加入注释。以下两个正则表达式是等价的：

regex_1 = re.compile(r"""\d +  # 数字部分
                         \.    # 小数点部分
                         \d *  # 小数的数字部分""", re.X)
regex_2 = re.compile(r"\d+\.\d*")

Match

Match对象是一次匹配的结果，包含了很多关于此次匹配的信息，可以使用Match提供的可读属性或方法来获取这些信息。

match属性：

• string: 匹配时使用的文本。
• re: 匹配时使用的Pattern对象。
• pos: 文本中正则表达式开始搜索的索引。值与Pattern.match()和Pattern.seach()方法的同名参数相同。
• endpos: 文本中正则表达式结束搜索的索引。值与Pattern.match()和Pattern.seach()方法的同名参数相同。
• lastindex: 最后一个被捕获的分组在文本中的索引。如果没有被捕获的分组，将为None。
• lastgroup: 最后一个被捕获的分组的别名。如果这个分组没有别名或者没有被捕获的分组，将为None。

方法：

• group([group1, …]): 
  获得一个或多个分组截获的字符串；指定多个参数时将以元组形式返回。group1可以使用编号也可以使用别名；编号0代表整个匹配的子串；不填写参数时，返回group(0)；没有截获字符串的组返回None；截获了多次的组返回最后一次截获的子串。
• groups([default]): 
  以元组形式返回全部分组截获的字符串。相当于调用group(1,2,…last)。default表示没有截获字符串的组以这个值替代，默认为None。
• groupdict([default]): 
  返回以有别名的组的别名为键、以该组截获的子串为值的字典，没有别名的组不包含在内。default含义同上。
• start([group]): 
  返回指定的组截获的子串在string中的起始索引（子串第一个字符的索引）。group默认值为0。
• end([group]): 
  返回指定的组截获的子串在string中的结束索引（子串最后一个字符的索引+1）。group默认值为0。
• span([group]): 
  返回(start(group), end(group))。
• expand(template): 
  将匹配到的分组代入template中然后返回。template中可以使用\id或\g、\g引用分组，但不能使用编号0。\id与\g是等价的；但\10将被认为是第10个分组，如果你想表达\1之后是字符'0'，只能使用\g<1>0。

import re
m = re.match(r'(\w+) (\w+)(?P.*)', 'hello hanxiaoyang!')
 
print "m.string:", m.string
print "m.re:", m.re
print "m.pos:", m.pos
print "m.endpos:", m.endpos
print "m.lastindex:", m.lastindex
print "m.lastgroup:", m.lastgroup
 
print "m.group(1,2):", m.group(1, 2)
print "m.groups():", m.groups()
print "m.groupdict():", m.groupdict()
print "m.start(2):", m.start(2)
print "m.end(2):", m.end(2)
print "m.span(2):", m.span(2)
print r"m.expand(r'\2 \1\3'):", m.expand(r'\2 \1\3')

m.string: hello hanxiaoyang!
m.re: <_sre.SRE_Pattern object at 0x10b111be0>
m.pos: 0
m.endpos: 18
m.lastindex: 3
m.lastgroup: sign
m.group(1,2): ('hello', 'hanxiaoyang')
m.groups(): ('hello', 'hanxiaoyang', '!')
m.groupdict(): {'sign': '!'}
m.start(2): 6
m.end(2): 17
m.span(2): (6, 17)
m.expand(r'\2 \1\3'): hanxiaoyang hello!

 

Pattern

 

Pattern对象是一个编译好的正则表达式，通过Pattern提供的一系列方法可以对文本进行匹配查找。

Pattern不能直接实例化，必须使用re.compile()进行构造。

Pattern提供了几个可读属性用于获取表达式的相关信息：

• pattern: 编译时用的表达式字符串。
• flags: 编译时用的匹配模式。数字形式。
• groups: 表达式中分组的数量。
• groupindex: 以表达式中有别名的组的别名为键、以该组对应的编号为值的字典，没有别名的组不包含在内。

import re
p = re.compile(r'(\w+) (\w+)(?P.*)', re.DOTALL)
 
print "p.pattern:", p.pattern
print "p.flags:", p.flags
print "p.groups:", p.groups
print "p.groupindex:", p.groupindex

p.pattern: (\w+) (\w+)(?P.*)
p.flags: 16
p.groups: 3
p.groupindex: {'sign': 3}

 

使用pattern

• match(string[, pos[, endpos]]) | re.match(pattern, string[, flags]): 
  这个方法将从string的pos下标处起尝试匹配pattern:
  • 如果pattern结束时仍可匹配，则返回一个Match对象
  • 如果匹配过程中pattern无法匹配，或者匹配未结束就已到达endpos，则返回None。
  • pos和endpos的默认值分别为0和len(string)。 
    注意：这个方法并不是完全匹配。当pattern结束时若string还有剩余字符，仍然视为成功。想要完全匹配，可以在表达式末尾加上边界匹配符'$'。

• search(string[, pos[, endpos]]) | re.search(pattern, string[, flags]): 
  这个方法从string的pos下标处起尝试匹配pattern
  • 如果pattern结束时仍可匹配，则返回一个Match对象
  • 若无法匹配，则将pos加1后重新尝试匹配，直到pos=endpos时仍无法匹配则返回None。
  • pos和endpos的默认值分别为0和len(string)

# encoding: UTF-8 
import re 
 
# 将正则表达式编译成Pattern对象 
pattern = re.compile(r'H.*g') 
 
# 使用search()查找匹配的子串，不存在能匹配的子串时将返回None 
# 这个例子中使用match()无法成功匹配 
match = pattern.search('hello Hanxiaoyang!') 
 
if match: 
    # 使用Match获得分组信息 
    print match.group() 

Hanxiaoyang

• split(string[, maxsplit]) | re.split(pattern, string[, maxsplit]):
  • 按照能够匹配的子串将string分割后返回列表。
  • maxsplit用于指定最大分割次数，不指定将全部分割。

import re
 
p = re.compile(r'\d+')
print p.split('one1two2three3four4')

['one', 'two', 'three', 'four', '']

• findall(string[, pos[, endpos]]) | re.findall(pattern, string[, flags]):
  •  

import re
 
p = re.compile(r'\d+')
print p.findall('one1two2three3four4')

['1', '2', '3', '4']

• finditer(string[, pos[, endpos]]) | re.finditer(pattern, string[, flags]):
  • 搜索string，返回一个顺序访问每一个匹配结果（Match对象）的迭代器。

 

 

import re
 
p = re.compile(r'\d+')
for m in p.finditer('one1two2three3four4'):
    print m.group()

1
2
3
4

• sub(repl, string[, count]) | re.sub(pattern, repl, string[, count]):
  • 使用repl替换string中每一个匹配的子串后返回替换后的字符串。
    • 当repl是一个字符串时，可以使用\id或\g、\g引用分组，但不能使用编号0。
    • 当repl是一个方法时，这个方法应当只接受一个参数（Match对象），并返回一个字符串用于替换（返回的字符串中不能再引用分组）。 count用于指定最多替换次数，不指定时全部替换。

 

import re
 
p = re.compile(r'(\w+) (\w+)')
s = 'i say, hello hanxiaoyang!'
 
print p.sub(r'\2 \1', s)
 
def func(m):
    return m.group(1).title() + ' ' + m.group(2).title()
 
print p.sub(func, s)

 

say i, hanxiaoyang hello!
I Say, Hello Hanxiaoyang!

• subn(repl, string[, count]) |re.sub(pattern, repl, string[, count]):
  • 返回 (sub(repl, string[, count]), 替换次数)。

import re
 
p = re.compile(r'(\w+) (\w+)')
s = 'i say, hello hanxiaoyang!'
 
print p.subn(r'\2 \1', s)
 
def func(m):
    return m.group(1).title() + ' ' + m.group(2).title()
 
print p.subn(func, s)

('say i, hanxiaoyang hello!', 2)
('I Say, Hello Hanxiaoyang!', 2)