python爬虫学习（数据解析）
引入
我们首先回顾一下之前学习的requsets模块实现数据爬取的流程：
- 指定url
- 发起请求
- 获取响应数据
- 持久化存储
其实，在上述的流程中还需要较为重要的一步，就是在持久化存储之前需要进行指定数据解析。因此大多数情况下的需求，我们都会指定去使用聚焦爬虫，也就是爬取页面中指定部分的数据值，而不是整个页面的数据。因此，本次可能将详细介绍三种聚焦爬虫中的数据解析方式。至此我们的数据爬取的流程可以修改为：
- 指定url
- 发起请求
- 获取响应数据
- 数据解析
- 持久化存储
聚焦爬虫
我们之前介绍的是通用爬虫，它用于爬取整张页面信息
聚焦爬虫：聚焦爬虫是建立在通用爬虫的基础之上的，再将我们所需要的数据进行提取（数据解析），从而实现爬取页面中指定的页面内容；
数据解析的分类
- 基于正则实现的数据解析
- 通过bs4实现的数据解析
- 使用xpath实现数据解析（最通用的）
数据解析原理概述
- 解析的局部的文本内容都会在标签之间或者对应的属性中进行储存
- 1 .进行指定标签的定位
- 2.标签或者对应的属性中储存的数据值进行提取（解析）
使用正则表达式进行数据解析
在实现这个我们需求时，先解决一个问题，就是怎样爬取一种图片：
import requests
if __name__ == "__main__":
headers = {'User-Agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_14_6) AppleWebKit/605.1.15 (KHTML, like Gecko) Version/12.1.2 Safari/605.1.15'}
url = 'https://ss1.bdstatic.com/70cFuXSh_Q1YnxGkpoWK1HF6hhy/it/u=3187129139,3162464776&fm=26&gp=0.jpg'
# 使用content返回的是二进制形式的图片数据
img_data = requests.get(url=url).content
with open('./qiutu.jpg', 'wb') as fp:
fp.write(img_data)
- 需求：爬取糗事百科中糗图板块下所有的糗图图片
import requests
import re
import os
if __name__ == '__main__':
# 创建一个文件夹用于保存所有的图片
if not os.path.exists('./qiutulibs'):
os.mkdir('./qiutulibs')
url = 'http://www.qiushibaike.com/pic/'
headers = {'User-Agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_14_6) AppleWebKit/605.1.15 (KHTML, like Gecko) Version/12.1.2 Safari/605.1.15'}
# 使用通用爬虫对url对应的一整张页面进行爬取
page_text = requests.get(url=url, headers=headers).text
# 使用聚焦爬虫将页面中所有的糗图进行解析/提取
# 根据网页文本的格式编写正则表达式，提取出图片的url地址
ex = '.*?'
# 获得所有图片url的列表
img_src_list = re.findall(ex, page_text, re.S)
for src in img_src_list:
src = 'https' + src # 拼接一个完整的图片地址
img_data = requests.get(url=src, headers=headers）.content
# 生成图片名称
img_name = src.split('/')[-1]
imgPath = 'qiutulips/' + img_name
with open(imgPath, 'wb') as fp:
fp.write(img_data)
使用bs4进行数据解析
实现原理
- 实例化一个BeautifuiSoup对象，并且将页面源码数据加载到该对象中；
- 通过调用BeautifuiSoup对象中相关的属性或者方法进行标签定位和数据提取；
环境安装
- pip install bs4
- pip install lxml
如何实例化BeautifuiSoup对象
- 将本地的html文档中的数据加载到该对象中；
from bs4 import BeautifulSoup
if __name__ == '__main__':
# 将本地的html文档中的数据加载到该对象中
fp = open('./text.html', encoding='utf-8')
soup = BeautifulSoup(fp, 'lxml')
print(soup)
- 将互联网上获取的页面源码加载到该对象中；
from bs4 import BeautifulSoup
if __name__ == '__main__':
# 将本地的html文档中的数据加载到该对象中
page_text = response.text
soup = BeautifulSoup(page_text, 'lxml')
print(soup)
提供的相关的属性和方法
from bs4 import BeautifulSoup
if __name__ == '__main__':
# 将本地的html文档中的数据加载到该对象中
fp = open('./text.html', encoding='utf-8')
soup = BeautifulSoup(fp, 'lxml')
soup.tagName # 返回的是文档中第一次出现的tagName标签
soup.find(tagName, class_=classname) # 第一种用法：返回的是文档中第一次出现的tagName标签
# 第二种用法：属性定位
soup.find_all(tagName, class_=classname) # 第一种用法：返回的是文档中出现的所有tagName标签（列表）
# 第二种用法：属性定位
soup.select('某种选择器(id,class,标签...选择器)') # 返回一个列表
soup.select('.tang > ul > li > a') # 层级选择器，>表示的是一个层级
soup.select('.tang > ul > li a') # 层级选择器，空格表示的是多个层级
# 获取标签之间的文本内容
soup.select('.tang > ul > li a').text # 获取标签中所有的文本内容
soup.select('.tang > ul > li a').string # 只获取该标签下面直系的文本内容
soup.select('.tang > ul > li a').get_text()
# 获取标签中属性值
soup.a['herf']
bs4解析案例实战
- 需求：爬取三国演义小说所有的章节和所有内容（http://www.shicimingju.com/book/sanguoyanyi.html）
import requests
from bs4 import BeautifulSoup
if __name__ == '__main__':
# 获取页面数据
headers = {'User-Agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_14_6) AppleWebKit/605.1.15 (KHTML, like Gecko) Version/12.1.2 Safari/605.1.15'}
url = 'http://www.shicimingju.com/book/sanguoyanyi.html'
page_text = requests.get(url=url, headers=headers).text
# 在首页中解析出章节标题和详情页的url
# 实例话BeautifulSoup对象，需要将页面源码数据加载到该对象中
soup = BeautifulSoup(page_text, 'lxml')
# 解析章节标题和详情页的url
li_list = soup.select('.book-mulu > ul > li')
fp = open('./sanguo.txt', 'w', encoding='utf-8')
for li in li_list:
title = li.a.string
detail_url = 'http://www.shicimingju.com' + li.a['href']
# 对详情页发起请求，解析出章节内容
detail_page_text = requests.get(url=detail_url, headers=headers).text
# 解析出详情也中相关页的内容
detail_soup = BeautifulSoup(detail_page_text, 'lxml')
div_tag = detail_soup.find('div', class_='chapter_content')
# 解析到了章节的内容
content = div_tag.text
fp.write(title + ':\n' + content + '\n')
print(title, '爬取成功！！！')
使用xpath解析（最常用且最高效的一种解析方式）
xpath解析原理
- 实例化一个etree的对象，且需要将被解析的页面源码数据加载到该对象
- 调用etree对象中的xpath方法结合着xpath表达式实现标签的定位和内容的获取。
环境的安装
pip install lxml
如何实例化一个etree对象（from lxml import etree）
- 将本地的html文档中的源码数据加载到etree对象中：
# 实例化一个etree对象：
from lxml import etree
etree.parse(filePath)
- 可以将从互联网上获取的源码数据加载到该对象中：
# 实例化一个etree对象：
from lxml import etree
etree.HTML('page_text')
- xpath(‘xpath表达式’)
我们一般只会用到etree对象中的xpath一种方法，从文本中获取内容是通过变化xpath表达式来实现的
xpath表达式
from lxml import etree
if __name__ == '__main__':
# 实例化了一个etree对象，并将被解析的源码加载到了该对象中
tree = etree.parse('filePath')
# 定位标签相关方法
r = tree.xpath('/html/head/title') # 表示根据层级获取文本内容，返回的是一个对象列表
# 第一个/表示是从根节点开始，往后的每一/表示一个层级
r = tree.xpath('/html//div') # //表示多个层级
r = tree.xpath('//div') # //表示定位所有的div标签内容
r = tree.xpath('//div[@attrName="attrValue"]') # 定位到属性名为song下的所有div标签文本内容（属性定位）
r = tree.xpath('//div[@attrName="attrValue"]/p'[3]) # 索引定位
# 提取标签中的文本
r = tree.xpath('//div[@attrName="attrValue"]//li[5]/a/text()') # /text()方法可以获取标签中的文本(直系的)
r = tree.xpath('//div[@attrName="attrValue"]//li[5]/a//text()')# //text()方法可以获取标签中的文本(所有的)
# 提取属性
r = tree.xpath('//div[@attrName="attrValue"]//img/@attrName')
xpath案例
- 需求：爬取58二手房中的房源信息
import requests
from lxml import etree
if __name__ == '__main__':
# 爬取到页面源码数据
headers = {
'User-Agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_14_6) AppleWebKit/605.1.15 (KHTML, like Gecko) Version/12.1.2 Safari/605.1.15'}
url = 'https://gz.58.com/ershoufang/'
page_text = requests.get(url=url, headers=headers).text
# 数据解析
tree = etree.HTML(page_text)
li_list = tree.xpath('//ul[@class="house-list-wrap"]/li')
# print(li_list)
fp = open('58.txt', 'w', encoding='utf-8')
for li in li_list:
# 页面数据当中局部解析
title = li.xpath('./div[2]/h2/a/text()')[0] # ./表示的就是xpath左侧的li
print(title)
fp.write(title+'\n')
- 需求：从网站上爬取图片（http://pic.netbian.com/4kyingshi/）
import requests
from lxml import etree
import os
if __name__ == '__main__':
# 爬取到页面源码数据
headers = {
'User-Agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_14_6) AppleWebKit/605.1.15 (KHTML, like Gecko) Version/12.1.2 Safari/605.1.15'}
url = 'http://pic.netbian.com/4kyingshi/'
response = requests.get(url=url, headers=headers)
# 手动设定编码
# response.encoding = 'utf-8'
page_text = response.text
# 创建etree实例对象
tree = etree.HTML(page_text)
img_src_list = tree.xpath('/html/body/div[@class="wrap clearfix"]/div[@id="main"]/div[@class="slist"]/ul//li')
if not os.path.exists('./tupian'):
os.mkdir('./tupian')
for i in img_src_list:
img_scr = 'http://pic.netbian.com' + i.xpath('./a/img/@src')[0]
img_name = i.xpath('./a/img/@alt')[0] + '.jpg'
# 处理中文乱码较为常用的办法
img_name = img_name.encode('iso-8859-1').decode('gbk')
img_data = requests.get(url=img_scr, headers=headers).content
# 持久化存储
imgPath = 'tupian/' + img_name
with open(imgPath, 'wb') as fp:
fp.write(img_data)
- 需求：从网站爬取所有城市名（https://www.aqistudy.cn/historydata/）
import requests
from lxml import etree
import os
import json
if __name__ == '__main__':
# 爬取到页面源码数据
headers = {
'User-Agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_14_6) AppleWebKit/605.1.15 (KHTML, like Gecko) Version/12.1.2 Safari/605.1.15'}
url = 'https://www.aqistudy.cn/historydata/'
# 爬取整张页面
page_text = requests.get(url=url, headers=headers).text
# 创建etree实例对象
tree = etree.HTML(page_text)
city_src_list = tree.xpath('/html/body/div[@class="container"]/div[@class="row"]/div[@class="col-lg-9 col-md-8 col-sm-8 col-xs-12"]/div[@class="all"]/div[@class="bottom"]/ul')
fp = open('city_name.txt', 'w', encoding='utf-8')
for i in city_src_list:
city_name = i.xpath('.//li/a//text()')
for j in city_name:
fp.write(j + '、')
fp.write('\n')