Datawhale第十二期组队学习--Python爬虫编程实践 Task02：bs4、xpath和正则表达式re

一. Beautiful Soup

缺点:

• 基于HTML DOM 的，会载入整个文档，解析整个DOM树，因此时间和内存开销都会大很多，所以性能要低于lxml。
• 匹配效率还是远远不如正则以及xpath的，一般不推荐使用，推荐正则的使用。
  

代码:

# 2.1.4 实战：中国大学排名定向爬取

import requests
from bs4 import BeautifulSoup
import bs4

url = 'http://www.zuihaodaxue.cn/zuihaodaxuepaiming2019.html'
headers = {'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/80.0.3987.163 Safari/537.36'}

res = requests.get(url, headers=headers)
soup = BeautifulSoup(res.content.decode(), 'html.parser')
# print(soup.prettify())
tbody = soup('tbody')
# print(tbody)
# print(tbody[0].children)
# 学校排名信息
result = []
if tbody:
    for tr in tbody[0].children:
        # if tr != '\n' and type(tr) != "":
        # print(type(tr))
        if tr != '\n' and not isinstance(tr, bs4.element.Comment):
            school_info = []
            # AttributeError: 'Comment' object has no attribute 'children'
            for index, td in enumerate(tr.contents[:4]):
                # print('td=', td)
                if index == 0:
                    school_info.append(td.string)
                elif index == 1:
                    school_info.append(td.string)
                elif index == 3:
                    school_info.append(td.string)
            result.append(school_info)
# print(result)
# 格式不好看
# "{0:^4}\t{1:^6}\t{2:^10}"
print("%-10s %20s %s" % ('排名', '学校', '总分'))
for i in result:
    print("%-10s %20s %s" % (i[0], i[1], i[2]))

二. XPath

在XPath中，有七种类型的节点：元素、属性、文本、命名空间、处理指令、注释以及文档（根）节点。
XML文档是被作为节点树来对待的。

下面列出了最常用的路径表达式：

• nodename 选取此节点的所有子节点。
• / 从根节点选取。
• // 从匹配选择的当前节点选择文档中的节点，而不考虑它们的位置。
• . 选取当前节点。
• … 选取当前节点的父节点。
• @ 选取属性。
• /text() 提取标签下面的文本内容
  如：
  • /标签名 逐层提取
  • /标签名 提取所有名为<>的标签
  • //标签名[@属性=“属性值”] 提取包含属性为属性值的标签
  • @属性名 代表取某个属性名的属性值

代码:

# coding:utf-8
#
import requests
from lxml import etree


url = 'http://www.dxy.cn/bbs/thread/626626#626626'
headers = {'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/80.0.3987.163 Safari/537.36'}

res = requests.get(url, headers=headers)
# print(res.text)
tree = etree.HTML(res.text)
# print(tree)
auth = tree.xpath('//div[@class="auth"]/a')
content = tree.xpath('//td[@class="postbody"]')
# print(len(auth))
# print(len(content))
for index, i in enumerate(content):
    print('author=', auth[index].xpath('text()')[0],  i.xpath('string(.)').strip())
    print('*'*100)

三. re

正则表达式语法由字符和操作符构成。

常用操作符

• . 表示任何单个字符
• [ ] 字符集，对单个字符给出取值范围 ，如[abc]表示a、b、c，[a‐z]表示a到z单个字符
• [^ ] 非字符集，对单个字符给出排除范围 ，如[^abc]表示非a或b或c的单个字符
• * 前一个字符0次或无限次扩展，如abc* 表示 ab、abc、abcc、abccc等
• + 前一个字符1次或无限次扩展 ，如abc+ 表示 abc、abcc、abccc等
• ? 前一个字符0次或1次扩展 ，如abc? 表示 ab、abc
• | 左右表达式任意一个 ，如abc|def 表示 abc、def
• {m} 扩展前一个字符m次 ，如ab{2}c表示abbc
• {m,n} 扩展前一个字符m至n次（含n） ，如ab{1,2}c表示abc、abbc
• ^ 匹配字符串开头 ，如^abc表示abc且在一个字符串的开头
• $ 匹配字符串结尾 ，如abc$表示abc且在一个字符串的结尾
• ( ) 分组标记，内部只能使用 | 操作符 ，如(abc)表示abc，(abc|def)表示abc、def
• \d 数字，等价于[0‐9]
• \w 单词字符，等价于[A‐Za‐z0‐9_]

re库的主要功能函数：

• re.search() 在一个字符串中搜索匹配正则表达式的第一个位置，返回match对象
• re.search(pattern,
  string, flags=0) re.match() 从一个字符串的开始位置起匹配正则表达式，返回match对象
• re.match(pattern, string, flags=0) re.findall() 搜索字符串，以列表类型返回全部能匹配的子串
• re.findall(pattern, string, flags=0) re.split()
  将一个字符串按照正则表达式匹配结果进行分割，返回列表类型 - re.split(pattern, string, maxsplit=0,
  flags=0)
• re.finditer() 搜索字符串，返回一个匹配结果的迭代类型，每个迭代元素是match对象
• re.finditer(pattern, string, flags=0) re.sub()
  在一个字符串中替换所有匹配正则表达式的子串，返回替换后的字符
• re.sub(pattern, repl, string, count=0, flags=0)

flags : 正则表达式使用时的控制标记：

• re.I --> re.IGNORECASE : 忽略正则表达式的大小写，[A‐Z]能够匹配小写字符
• re.M --> re.MULTILINE : 正则表达式中的^操作符能够将给定字符串的每行当作匹配开始
• re.S --> re.DOTALL : 正则表达式中的.操作符能够匹配所有字符，默认匹配除换行外的所有字符

代码:

# coding:utf-8

# 2.3.4 实战：淘宝商品比价定向爬虫
import re
import requests


# 获取页面html
def get_html_text(url):
    headers = {
        'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/80.0.3987.163 Safari/537.36',
        'cookie': 'miid=1535482570367186800; cookie2=6e87dd11b48dc75f227cf036d0f6bbe4; v=0; _tb_token_=f30be8ee41773; cna=uVskEQsl1BUCAat42oaQHKSA; tk_trace=oTRxOWSBNwn9dPyorMJE%2FoPdY8zZPEr%2FCrvCMS%2BG3sTRRWrQ%2BVVTl09ME1KrXdbYQyWDzjYhOx%2BUhHxroKQnemVLj0tU1xd75TGkzn3M%2BOx%2BRxMZtWd9pBWDUD8hgWXixe51H1qGhS3lPHKNV5oHwqAoM4jWOpy3fFSzsKRMIK7SLYeVxYSkdRYiH0LpoDWhDU399Yy5RCyBbezDJsMU%2BDy5JkyvlE58OeXQk2CHXicUxVDORUhrJsHE7AIWHzsDJty%2FWAT43VBG8dqxzgHmQZtX1CAck0aRxzrEBNwgMmcBBYK4HfOPALv2qkU%2BV%2FsHWuRS1JTvQXDbJonfcv4Q; hng=CN%7Czh-CN%7CCNY%7C156; thw=cn; t=7d095be8dae051b617612fc7f71d2f73; _samesite_flag_=true; dnk=%5Cu5F20719923505; tracknick=%5Cu5F20719923505; tg=0; sgcookie=EBXkkWPDmBc28Ae7TLO1q; uc3=lg2=VT5L2FSpMGV7TQ%3D%3D&id2=UoH5Z3NI%2FVRAOA%3D%3D&vt3=F8dBxdGMQvj9crMoa0s%3D&nk2=ttSzTPETU5LGukk%3D; csg=b64efe69; lgc=%5Cu5F20719923505; skt=5f1d40fba83c080d; existShop=MTU4NjQzODEzMg%3D%3D; uc4=nk4=0%40tAIH2w1hONUpvO6BX3cAYkdYxnENJQ%3D%3D&id4=0%40UOnmPLs9OcRO0eJtal2%2BZ2sfX2x9; _cc_=URm48syIZQ%3D%3D; tfstk=cfMCBA44RwbIxDb8C2taTpqF3We5ZzX_jO4ZAfdMKBUPymoCixW4lpnLAN6TMl1..; enc=9BidDucCCWfSGNd7u1LfxaL%2BbxWtMcDLAWI2KvRlpnlRlLuJwIm%2FYWgJUmGrRZXl7bgb85k9ZWyrPW%2BxhGtHng%3D%3D; mt=ci=-1_0; uc1=cookie16=URm48syIJ1yk0MX2J7mAAEhTuw%3D%3D&cookie21=VFC%2FuZ9aiKCaj7AzMHh1&cookie15=UIHiLt3xD8xYTw%3D%3D&existShop=false&pas=0&cookie14=UoTUPcqYgnhT0Q%3D%3D&tag=8&lng=zh_CN; l=eBjd8dAmq3WMRSGkBO5whurza77OrQdfh1PzaNbMiIHca1uR1iDNVNQccDRvRdtjgt5veFtykJ0GkRE9SyULRKgKqelyRs5mpi9wRe1..; isg=BD09zAcBP_1k85iHhgNU689STJk32nEs9qHNn_-BuRRlNltowymW_JHk4GpwsYnk; JSESSIONID=E554CC8A495277CB6B6EB9F72C62F530'
    }
    try:
        r = requests.get(url, headers=headers)
        # print(res.text)
        # pattern = ''
        # r = re.compile(pattern, re.S).findall(res.text)
        # print(type(res[0]))
        # print(res[0])
        r.raise_for_status()
        r.encoding = r.apparent_encoding
        return r.text
    except:
        return ''


# 解析页面数据
def parse_html(glist, html):
    try:
        # 使用正则表达式提取信息
        # 商品价格
        # price_list = re.findall(r'
(.*?)￥(.*?)(\d?)
', html)
        # # 商品名称
        # name_list = re.findall(r'
(.*?)
', html)
        price_list = re.findall(r'\"view_price\"\:\"[\d\.]*\"', html)
        name_list = re.findall(r'\"raw_title\"\:\".*?\"', html)
        print('name=', name_list)
        for i in range(len(price_list)):
            price = eval(price_list[i].split(":")[1])  # eval（）在此可以去掉""
            name = eval(name_list[i].split(":")[1])
            glist.append([price, name])
        return glist
    except:
        print("解析失败")
        return []


def print_goods_list(glist):
    tplt = "{0:^4}\t{1:^6}\t{2:^15}"
    print(tplt.format("序号", "商品价格", "商品名称"))
    count = 0
    for g in glist:
        count = count + 1
        print(tplt.format(count, g[0], g[1]))


q = '书包'
start_url = "https://s.taobao.com/search?q=" + q
info_list = []
page = 3

count = 0
for i in range(page):
    count += 1
    try:
        url = start_url + "&s=" + str(44 * i)
        html = get_html_text(url)  # 爬取url
        parse_html(info_list, html)  # 解析HTML和爬取内容
        print("\r爬取页面当前进度: {:.2f}%".format(count * 100 / page), end="")  # 显示进度条
    except:
        continue
print()
print_goods_list(info_list)