python爬虫selenium和bs4_Python爬虫第四天:Bs4|jsonpath|selenium库

内容简述:

一:Bs4

二:jsonpath

三:selenium库

一:bs4(BeautifulSoup)

1-bs4解析器

概述:

和lxml相同点:是html和xml解析器,主要功能也是解析和提取数据。

不同点:bs4效率没有lxml的效率高,但其API接口灵活好用

安装:pip install bs4

工具对比:

使用:

from bs4 import BeautifulSoup

A-网上文件生成对象

soup = BeautifulSoup('网上下载的字符串', 'lxml')

B-本地文件生成对象

soup =BeautifulSoup(open('bs4_test.html'), 'lxml')

2-bs4解析器规则:

按标签名查找

soup.a  soup.title    注意:只能找到第一个

节点属性

name:获取标签名的 attrs: 将属性作为一个字典返回

获取节点属性值(3种方式)

obj.attrs.get('title') obj.get('title') obj['title']

获取节点内容    obj.string   obj.get_text()

【温馨提示】

`           a-如果内容中有注释,string会获取到注释的值,

get_text()获取不到注释内容,但可以获取非注释内容

b-如果内容中有标签,string返回None,get_text()返回文本内容。

判断获取的内容是不是注释的内容

if type(obj.string) ==bs4.element.Comment:

获取【直接子】节点

contents   返回的是一个列表 【注】中间有换行符

获取【子孙】节点

descendants  返回的是一个生成器  通过for in进行迭代即可

3-bs4解析器-方法

find(返回的是一个对象)

find('a')   返回第一个a标签

find('a', title='名字')   find('a',class_='名字')

find_all(返回的是一个列表)

find_all('a')  查找到所有的a

find_all(['a', 'span'])  返回所有的a和span

find_all('a', limit=2)  只找前两个a

select(根据选择器得到节点对象)

【温馨提示】返回一个列表,列表中都是对象,需要进行筛选

选择器:

标签选择器     标签名:

类选择器        .类名

id选择器          #id名

层级选择器  标签名 .类名   #id名 .类名

标签名 > .类名 >    #id名

【温馨提示】中间是空格,返回子类或者子孙类;中间是>返回直接子类

属性选择器 input[type="text"]

radio  checkbox submit  password  select option

4-bs4解析器示例:糗事百科-简单获取(一条数据)

5-bs4前程无忧批量爬取:

二:jsonpath(了解)

JsonPath是一种信息抽取类库,是从JSON文档中抽取指定信息的工具。

提供多种语言实现版本,包括:Javascript,Python,PHP 和 Java。

JsonPath 对于 JSON 来说,相当于 XPATH 对于 XML和HTML

简单来讲:解析json字符串,抽取需要的内容。

pip安装:pip install jsonpath

JsonPath对比XPATH:

BookStore.json文件如下

{"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 } }}

json.loads(): json字符串 ==> python对象

json.dumps(): python对象==> json字符串

json.load():读取json格式的文本,转化为python对象

json.dump():将python对象写入到文本中

三:selenium库-自动化测试工具

Selenium是一个Web的自动化测试工具, 可根据我们的指令让浏览器自动加载

页面,获取需要的数据,包括页面截屏及判断网站上某些动作是否发生等等。

自己不带浏览器通常和第三方浏览器结合使用

WebDriver:属于SeleniumAPI,可以像 BeautifulSoup一样用来查找页面元素

与页面上的元素进行交互 (发送文本、点击等),以及执行其他动作来运行网络爬虫。

通过selenium操作谷歌浏览器:

下载操作谷歌浏览器驱动的页面

谷歌驱动和谷歌浏览器版本之间的映射表

常见选择方法:

browser.find_element_by_id()

browser.find_elements_by_name()

browser.find_elements_by_xpath()

browser.find_elements_by_tag_name()

browser.find_elements_by_css_selector()

browser.find_elements_by_link_text()

browser.find_elements_by_class_name()

四:作业

1-完成课堂代码

2-使用selenium打开百度==hao123==>点击==》后退==》再百度帅哥==》

图片==》前进==》后退==》退出

3-分别使用xpath和bs4批量下载糗事百科糗图里面的内容

你可能感兴趣的:(python爬虫selenium和bs4_Python爬虫第四天:Bs4|jsonpath|selenium库)