Python爬虫：数据提取

目录

一、数据提取概述

1. 响应内容的分类

2. xml以及和html

二、 数据提取：jsonpath模块

三、数据提取：lxml模块

---

一、数据提取概述

1. 响应内容的分类

 在发送请求获取响应之后，可能存在多种不同类型的响应内容；而且很多时候，我们只需要响应内容中的一部分数据

1.1 结构化的响应内容

• json字符串：可以使用re、json等模块来提取特定数据

示例：

• xml字符串：可以使用re、lxml等模块来提取特定数据

示例：

   
  Giada De Laurentiis 
  2005 
  30.00 


   
  J K. Rowling 
  2005 
  29.99 


   
  Erik T. Ray 
  2003 
  39.95 

1.2 非结构化的响应内容  

•  html字符串：可以使用re、lxml等模块来提取特定数据

示例： 

 

2. xml以及和html

2.1 xml

xml是一种可扩展标记语言，样子和html很像，功能更专注于对传输和存储数据

 示例：

   
  Giada De Laurentiis 
  2005 
  30.00 


   
  J K. Rowling 
  2005 
  29.99 


   
  Erik T. Ray 
  2003 
  39.95 

上面的xml内容可以表示为下面的树结构： 

2.2 xml和html的区别

html：超文本标记语言，为了更好的显示数据，侧重点是为了显示；

xml：可扩展标记语言，为了传输和存储数据，侧重点是在于数据内容本身。

2.3 常用数据解析方法

 

二、数据提取：jsonpath模块

如果有一个多层嵌套的复杂字典，想要根据key和下标来批量提取value是比较困难的。jsonpath模块就能解决这个痛点，jsonpath可以按照key对python字典进行批量数据提取。

jsonpath模块的安装

pip install jsonpath

使用方法

from jsonpath import jsonpath
ret = jsonpath(a, 'jsonpath语法规则字符串')

jsonpath语法规则

 示例：

 json数据

book_dict = { 
  "store": {
    "book": [ 
      { "category": "reference",
        "author": "Nigel Rees",
        "title": "Sayings of the Century",
        "price": 8.95
      },
      { "category": "fiction",
        "author": "Evelyn Waugh",
        "title": "Sword of Honour",
        "price": 12.99
      },
      { "category": "fiction",
        "author": "Herman Melville",
        "title": "Moby Dick",
        "isbn": "0-553-21311-3",
        "price": 8.99
      },
      { "category": "fiction",
        "author": "J. R. R. Tolkien",
        "title": "The Lord of the Rings",
        "isbn": "0-395-19395-8",
        "price": 22.99
      }
    ],
    "bicycle": {
      "color": "red",
      "price": 19.95
    }
  }
}

提取代码

from jsonpath import jsonpath

# 返回列表，如果取不到将返回False
print(jsonpath(book_dict, '$..author')) 

各项数据提取：

三、数据提取：lxml模块

• lxml模块可以利用XPath规则语法，来快速的定位HTML\XML 文档中特定元素以及获取节点信息（文本内容、属性值）；

• XPath (XML Path Language) 是一门在 HTML\XML 文档中查找信息的语言，可用来在 HTML\XML 文档中对元素和属性进行遍历。

  • W3School官方文档：XPath 教程

• 提取xml、html中的数据需要lxml模块和xpath语法配合使用

要想利用 lxml 模块提取数据，需要掌握xpath语法规则。在浏览器中可以使用xpath helper插件来测试 xpath 语法

1. 谷歌浏览器xpath helper插件的安装和使用

可以在chrome应用商城下载，如果无法下载也可以从下面我收藏在网盘的链接进行下载

链接：https://pan.baidu.com/s/1cIRqSyUS0ZF4owPuYxcTwQ?pwd=meng 
提取码：meng

下载完成后，把文件的后缀名crx改为rar，然后解压；

把解压后的文件夹拖入到已经开启开发者模式的chrome浏览器扩展程序界面

 重启浏览器后，访问url之后在页面中点击xpath图标，就可以使用了

ps：如果是linux或macOS，直接将crx文件拖入已经开启开发者模式的chrome浏览器扩展程序界面。

2. xpath中的节点

 

3. xpath定位节点以及提取属性或文本内容

nodename	选中该元素。
/	从根节点选取、或者是元素和元素间的过渡。
//	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()	选取文本。

示例：

选择所有的h2下的文本

//h2/text()

获取所有的a标签的href

//a/@href

获取html下的head下的title的文本

/html/head/title/text()

获取html下的head下的link标签的href

/html/head/link/@href

4. 节点修饰语法

//title[@lang="eng"]	选择lang属性值为eng的所有title元素
/bookstore/book[1]	选取属于 bookstore 子元素的第一个 book 元素。
/bookstore/book[last()]	选取属于 bookstore 子元素的最后一个 book 元素。
/bookstore/book[last()-1]	选取属于 bookstore 子元素的倒数第二个 book 元素。
/bookstore/book[position()>1]	选择bookstore下面的book元素，从第二个开始选择
//book/title[text()='Harry Potter']	选择所有book下的title元素，仅仅选择文本为Harry Potter的title元素
/bookstore/book[price>35.00]/title	选取 bookstore 元素中的 book 元素的所有 title 元素，且其中的 price 元素的值须大于 35.00。

 关于xpath的下标

• 在xpath中，第一个元素的位置是1

• 最后一个元素的位置是last()

• 倒数第二个是last()-1

5. 其他常用节点选择语法

可以通过通配符来选取未知的html、xml的元素

通配符	描述
*	匹配任何元素节点。
node()	匹配任何类型的节点。

示例：

全部的标签：//*

全部的属性：//node()

6. lxml模块安装 

pip/pip3 install lxml

1. 导入lxml 的 etree 库

   from lxml import etree

2. 利用etree.HTML，将html字符串（bytes类型或str类型）转化为Element对象，Element对象具有xpath的方法，返回结果的列表

   html = etree.HTML(text) 
   ret_list = html.xpath("xpath语法规则字符串")

3. xpath方法返回列表的三种情况

   • 返回空列表：根据xpath语法规则字符串，没有定位到任何元素

   • 返回由字符串构成的列表：xpath字符串规则匹配的一定是文本内容或某属性的值

   • 返回由Element对象构成的列表：xpath规则字符串匹配的是标签，列表中的Element对象可以继续进行xpath

使用示例：

from lxml import etree
text = ''' 
 
  
 
    

      first item
    
 
    

      second item
    
 
    

      third item
    
 
    

      fourth item
    
 
    

      a href="link5.html">fifth item
  
 

'''

html = etree.HTML(text)

#获取href的列表和title的列表
href_list = html.xpath("//li[@class='item-1']/a/@href")
title_list = html.xpath("//li[@class='item-1']/a/text()")

#组装成字典
for href in href_list:
    item = {}
    item["href"] = href
    item["title"] = title_list[href_list.index(href)]
    print(item)

 ps：

• lxml.etree.HTML(html_str)可以自动补全标签

• lxml.etree.tostring函数可以将转换为Element对象再转换回html字符串

• 爬虫如果使用lxml来提取数据，应该以lxml.etree.tostring的返回结果作为提取数据的依据