爬虫之数据解析
何为数据解析
- 概念：就是将爬取到数据中局部的指定的数据进行提取
- 作用：实现聚焦爬虫
- 数据解析通用原理：
- html是用来展示数据，html中展示的数据正是我们要爬取或者采集的数据
- 数据解析的通用原理：
- 标签定位
- 提取标签中存储的数据
- 聚焦爬虫编码流程
- 指定url
- 发起请求
- 获取响应数据
- 数据解析
- 持久化存储
图片的获取
- 如何爬取多媒体资源（图片，音频等）
方式1：
import requests
headers = {
'User-Agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_15_7) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/97.0.4692.71 Safari/537.36X-Requested-With: XMLHttpRequest'
}
# 获取图片地址：通常为img标签的src属性值
img_src = 'https://pic.netbian.com/uploads/allimg/231102/092518-169888831897c3.jpg'
# 对图片发起请求
response = requests.get(url=img_src, headers=headers)
# 获取图片数据:content返回的是二进制形式的响应数据
img_data = response.content
# 持久化存储
with open('./demo.jpg', 'wb') as fp:
fp.write(img_data)
方式2：
- ```python
from urllib import request
img_src = 'https://pic.netbian.com/uploads/allimg/231102/092518-169888831897c3.jpg'
#urlretrieve可以直接对图片发起请求，且将请求到的图片数据进行持久化存储
request.urlretrieve(img_src,'./456.jpg')
```
bs4
-
环境安装：pip install bs4
-
bs4数据解析的流程
- 1.实例化一个BeautifulSoup的对象，然后把即将被解析的页面源码数据加载到该对象中
- BeautifulSoup(fp,‘lxml’):fp表示本地的一个文件，该种方式是将本地存储的html文件进行数据解析
- BeautifulSoup(page_text,‘lxml’):page_text是网络请求到的页面源码数据，该种方式是直接将网络请求到的页面源码数据进行数据解析
- 2.调用BeautifulSoup对象中相关的属性和方法实现标签定位和数据提取
- 1.实例化一个BeautifulSoup的对象，然后把即将被解析的页面源码数据加载到该对象中
-
具体解析的操作：
-
在当前目录下新建一个test.html文件，然后将下述内容拷贝到该文件中
-
<html lang="en"> <head> <meta charset="UTF-8" /> <title>测试bs4title> head> <body> <div> <p>百里守约p> div> <div class="song"> <p>李清照p> <p>王安石p> <p>苏轼p> <p>柳宗元p> <a href="http://www.song.com/" title="赵匡胤" target="_self"> <span>this is spanspan> 宋朝是最强大的王朝，不是军队的强大，而是经济很强大，国民都很有钱a> <a href="" class="du">总为浮云能蔽日,长安不见使人愁a> <img src="http://www.baidu.com/meinv.jpg" alt="" /> div> <div class="tang"> <ul> <li><a href="http://www.baidu.com" title="qing">清明时节雨纷纷,路上行人欲断魂,借问酒家何处有,牧童遥指杏花村a>li> <li><a href="http://www.163.com" title="qin">秦时明月汉时关,万里长征人未还,但使龙城飞将在,不教胡马度阴山a>li> <li><a href="http://www.126.com" alt="qi">岐王宅里寻常见,崔九堂前几度闻,正是江南好风景,落花时节又逢君a>li> <li><a href="http://www.sina.com" class="du">杜甫a>li> <li><a href="http://www.dudu.com" class="du">杜牧a>li> <li><b>杜小月b>li> <li><i>度蜜月i>li> <li><a href="http://www.haha.com" id="feng">凤凰台上凤凰游,凤去台空江自流,吴宫花草埋幽径,晋代衣冠成古丘a>li> ul> div> body> html>
-
-
有了test.html文件后，在练习如下操作
-
from bs4 import BeautifulSoup
#fp就表示本地存储的一个html文件
fp = open('./test.html','r',encoding='utf-8')
#解析本地存储的html文件中的内容
#实例化BeautifulSoup对象，然后把即将被解析的页面源码数据加载到了该对象中
soup = BeautifulSoup(fp,'lxml') #参数2，lxml是固定形式，表示指定的解析器
#标签定位
#方式1：soup.tagName,只会定位到符合条件的第一个标签
tag1 = soup.title #定位到了title标签
tag2 = soup.div
#方式2：属性定位，find函数，findall函数
#find('tagName',attrName='attrValue')：find只会定位到满足要的第一个标签
tag3 = soup.find('div',class_='song')#定位class属性值为song的div标签
tag4 = soup.find('a',id='feng')#定位id属性值为feng的a标签
#findAll('tagName',attrName='attrValue')：可以定位到满足要求的所有标签
tag5 = soup.findAll('div',class_='song')
#方式3：选择器定位：soup.select('选择器')
#id选择器：#feng ----id为feng
#class选择器：.song ----class为song
#层级选择器：大于号表示一个层级，空格表示多个层级
tag6 = soup.select('#feng') #定位到所有id属性值为feng的标签
tag7 = soup.select('.song')#定位到所有class属性值为song的标签
tag8 = soup.select('.tang > ul > li') #定位到了class为tang下面的ul下面所有的li标签
tag9 = soup.select('.tang li')
#提取标签中的内容
#1.提取标签中间的内容：
#tag.string:只可以提取到标签中直系的文本内容
#tag.text:可以提取到标签中所有的文本内容
# p_tag = soup.p
# print(p_tag.string)
# print(p_tag.text)
# div_tag = soup.find('div',class_='song')
# print(div_tag.text)
#2.提取标签的属性值
#tag['attrName']
img_tag = soup.img
print(img_tag['src']) #提取img标签的src的属性值
bs4案例应用：小说批量爬取
-
url：https://www.shicimingju.com/book/sanguoyanyi.html
-
需求：将每一个章节的标题和内容进行爬取然后存储到一个文件中
- 步骤：
- 1.请求主页的页面源码数据
- 2.数据解析：
- 章节标题
- 章节详情页的链接
- 3.解析章节详细内容
- 4.将解析的章节标题和内容进行存储
- 步骤：
from bs4 import BeautifulSoup
import requests
headers = {
'User-Agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_15_7) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/97.0.4692.71 Safari/537.36'
}
# 首页地址
main_url = 'https://www.shicimingju.com/book/sanguoyanyi.html'
# 发起请求，获取了主页页面源码
response = requests.get(url=main_url, headers=headers)
response.encoding = 'utf-8'
# response.encoding = 'gbk'
page_text = response.text
# print(page_text)
# 或者使用获得的进行解码
# print(response.content.decode(response.encoding))
# 数据解析：章节标题+详情页链接
soup = BeautifulSoup(page_text, 'lxml')
a_list = soup.select('.book-mulu > ul > li > a')
fp = open('./sanguo.txt', 'w', encoding='utf-8')
#encode 是编码
# decode是解码
for a in a_list:
title = a.string # 章节标题
detail_url = 'https://www.shicimingju.com' + a['href'] # 详情页地址
# 请求详情页的页面源码数据
response = requests.get(url=detail_url, headers=headers)
response.encoding = 'utf-8'
detail_page_text = response.text
# 解析：解析章节内容
d_soup = BeautifulSoup(detail_page_text, 'lxml')
div_tag = d_soup.find('div', class_='chapter_content')
content = div_tag.text # 章节内容
fp.write(title + ':' + content + '\n')
print(title, '爬取保存成功！')
fp.close()
Xpath
-
环境安装：pip install lxml
-
xpath解析的编码流程
- 1.创建一个etree类型的对象，然后把即将被解析的页面源码数据加载到该对象中
- 2.调用etree对象的xpath方法结合着不同形式的xpath表达式，进行标签定位和数据提取
-
xpath表达式如何理解？
- html中的标签是遵从树状结构的。
from lxml import etree #如果这种方式报错，使用下面方式导入etree
# from lxml.html import etree
fp = open('test.html','r')
#1.将本地存储好的文件中的数据加载到etree对象中进行数据解析
tree = etree.parse(fp)
#2.调用etree对象的xpath方法结合不同形式的xpath表达式进行标签定位和数据提取
#xpath返回的一定是列表，列表中存储的是定位到的标签对象
# title_tag = tree.xpath('/html/head/title')
# title_tag = tree.xpath('/html//title')
# title_tag = tree.xpath('//head/title')
# title_tag = tree.xpath('//title') #推荐
#最左侧为/:表示必须从树的根标签（html标签）开始进行定位
#最左侧为//:可以从任意位置进行标签的相对位置定位
#非最左侧的/:表示一个层级
#非最左侧的//:表示多个层级
# tag = tree.xpath('//div') #定位所有的div标签
#属性定位：根据标签的属性定位标签
#//tagName[@attrName="attrValue"]
# tag = tree.xpath('//div[@class="song"]')#定位class属性值为song的div标签
# tag = tree.xpath('//a[@id="feng"]')
# tag = tree.xpath('//div[@class="tang"]/ul/li/a[@id="feng"]')
#索引定位：索引是从1开始的
# tag = tree.xpath('//div[@class="tang"]/ul/li[3]')#定位到第三个li标签
#获取定位到标签中的文本内容
# /text()获取标签中直系的文本内容：返回的列表中只会有一个列表元素
# //text()获取标签中所有的文本内容：通常返回列表中存在多个元素
# tag = tree.xpath('//div[@class="song"]/p[3]/text()')
# tag = tree.xpath('//div[@class="song"]//text()')
#获取定位到标签中的属性值://tag/@attrName
tag = tree.xpath('//img/@src')
print(tag)
Xpath案例应用：
-
http://pic.netbian.com/4kmeinv/
-
将爬取到的图片存储到指定的文件夹中
-
爬取第一页
-
from lxml import etree
import requests
from fake_useragent import UserAgent
ua = UserAgent()
import os
# 新建一个文件夹
dirName = 'girls'
if not os.path.exists(dirName): # 如果文件夹不存在，则新建，否则不新建
os.mkdir(dirName)
headers = {
'User-Agent': ua.chrome}
url = 'https://pic.netbian.com/4kmeinv/index.html'
response = requests.get(url=url, headers=headers)
response.encoding = 'gbk'
page_text = response.text
# response.encoding='gbk'
# print(page_text) # ISO-8859-1
# 数据解析：图片地址+图片名称
tree = etree.HTML(page_text) # HTML()专门用来解析网络请求到的页面源码数据
# 该列表中存储的是每一个li标签
li_list = tree.xpath('//div[@class="slist"]/ul/li')
for li in li_list:
# 局部解析：将li标签中指定的内容解析出来
# 使用 . 调用当前标签 凭借
# 每一次都是 获得列表
img_title = li.xpath('./a/b/text()')[0] + '.jpg' # 左侧./表示xpath的调用者对应的标签
img_src = 'https://pic.netbian.com' + li.xpath('./a/img/@src')[0]
print(img_title, img_src)
# 对图片发起请求，存储图片数据
img_data = requests.get(url=img_src, headers=headers).content
# girls/123.jpg
img_path = dirName + '/' + img_title
print(img_path)
# with open(img_path, 'wb') as fp:
# fp.write(img_data)
# print(img_title, '下载保存成功！')