爬虫的四种数据解析方式

一, 引入

回顾requests实现数据爬取的流程:

1. 指定url
2. 基于requests模块发起请求
3. 获取响应对象中的数据
4. 进行持久化存储

其实，在上述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。因为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。数据爬取的流程可以修改为：

1. 指定url
2. 基于requests模块发起请求
3. 获取响应中的数据
4. 数据解析
5. 进行持久化存储

实现方式：

• 正则
• bs4
• xpath
• pyquery

数据解析的通用原理是什么？

• 标签的定位
• 数据的提取

页面中的相关的字符串的数据都存储在哪里呢？

• 标签中间
• 标签的属性中

二, 正则解析

常用正则表达式回顾:

单字符：
    . : 除换行以外所有字符
    [] ：[aoe] [a-w] 匹配集合中任意一个字符
    d ：数字  [0-9]
    D : 非数字
    w ：数字、字母、下划线、中文
    W : 非w
    s ：所有的空白字符包,括空格、制表符、换页符等等。等价于 [ f

	v]。
    S : 非空白
数量修饰：
    * : 任意多次  >=0
    + : 至少1次   >=1
    ? : 可有可无  0次或者1次
    {m} ：固定m次 hello{3,}
    {m,} ：至少m次
    {m,n} ：m-n次
边界：
    $ : 以某某结尾 
    ^ : 以某某开头
分组：
	(ab)  
贪婪模式： .*
非贪婪（惰性）模式： .*?

re.I : 忽略大小写
re.M ：多行匹配
re.S ：单行匹配

re.sub(正则表达式, 替换内容, 字符串)

练习:

将煎蛋网中的图片数据进行爬取且存储在本地

import requests
import re
import os
from urllib import request
file_path = './煎蛋网/'
if not os.path.exists(file_path):
    os.mkdir(file_path)
url = 'http://jandan.net/pic/MjAxOTEwMDktNjY=#comments'
headers = {
    'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/77.0.3865.90 Safari/537.36'
}
page_text = requests.get(url, headers=headers).text
ex = '<div class="text">.*?<img src="(.*?)" referrerPolicy.*?</div>'
src_list = re.findall(ex, page_text, re.S)
for src in src_list:
    if 'org_src' in src:
        src = re.findall('org_src="(.*?)" onload', src)[0]
    img_url = 'http:' + src
    img_path = file_path + src.split('/')[-1]
    request.urlretrieve(img_url, img_path)
    print(src.split('/')[-1], '爬取成功~~')

三, Xpath解析

• 环境的安装
  • pip install lxml
• 解析原理
  • 实例化一个etree的对象，且把即将被解析的页面源码数据加载到该对象中
  • 调用etree对象中的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
• etree对象的实例化
  • etree.parse('fileName')
  • etree.HTML(page_text)
• 标签定位
  • 最左侧的/:一定要从根标签开始进行标签定位
  • 非最左侧的/:表示一个层级
  • 最左侧的//：可以从任意位置进行指定标签的定位
  • 非最左侧的//：表示多个层级
  • 属性定位：//tagName[@attrName="value"]
  • 索引定位：//tagName[@attrName="value"]/li[2],索引是从1开始
  • 逻辑运算：
    • 找到href属性值为空且class属性值为du的a标签
    • //a[@href="" and @class="du"]
  • 模糊匹配：
    • //div[contains(@class, "ng")]
    • //div[starts-with(@class, "ta")]
• 取文本
  • /text():直系的文本内容
  • //text()：所有的文本内容
• 取属性
  • /@attrName

练习:

需求：爬取虎牙主播名称，热度和标题

from lxml import etree
url = 'https://www.huya.com/g/xingxiu'
page_text = requests.get(url, headers=headers).text
tree = etree.HTML(page_text)
li_list = tree.xpath('//ul[@id="js-live-list"]/li')
for li in li_list:
    title = li.xpath('./a[2]/text()')[0]
    avatar = li.xpath('./span/span[1]/i/text()')[0]
    hot = li.xpath('./span/span[2]/i[2]/text()')[0]
    print(title, avatar, hot)

爬取http://pic.netbian.com/4kmeinv/中前五页的图片数据

• 中文乱码的处理
• 多页码数据的爬取

file_path = './妹子图/'
if not os.path.exists(file_path):
    os.mkdir(file_path)
url = 'http://pic.netbian.com/4kmeinv/index_{}.html'
for page in range(1, 6):
    if page == 1:
        new_url = 'http://pic.netbian.com/4kmeinv/'
    else:
        new_url = url.format(page)
    page_text = requests.get(new_url, headers=headers).text
    tree = etree.HTML(page_text)
    li_list = tree.xpath('//div[@class="slist"]/ul/li')
    for li in li_list:
        title = li.xpath('./a/b/text()')[0].encode('iso-8859-1').decode('gbk')
        src = 'http://pic.netbian.com' + li.xpath('./a/img/@src')[0]
        img_path = file_path + title + '.' + src.split('.')[-1]
        request.urlretrieve(src, img_path)
    print('第{}页爬取完毕'.format(page))

爬取全国城市的名称

url = 'https://www.aqistudy.cn/historydata/'
page_text = requests.get(url, headers=headers).text
# soup = BeautifulSoup(page_text, 'lxml')
# hot_cities = soup.select('.hot li a')
# other_cities = soup.select('.all li a')
# cities = hot_cities + other_cities
# for city in cities:
#     print(city.text)

tree = etree.HTML(page_text)
# | 表示 or
cities = tree.xpath('//div[@class="hot"]//a/text() | //div[@class="all"]//a/text()')
for city in cities:
    print(city)

四, BeautifulSoup解析

• 环境的安装：
  • pip install bs4
  • pip install lxml
• bs4的解析原理：
  • 实例化一个BeautifulSoup的一个对象，把即将被解析的页面源码数据加载到该对象中
  • 需要调用BeautifulSoup对象中的相关的方法和属性进行标签定位和数据的提取
• BeautifulSoup的实例化
  • BeautifulSoup(fp,'lxml'):将本地存储的html文档中的页面源码数据加载到该对象中
  • BeautifulSoup（page_text,'lxml'）:将从互联网中请求到的页面源码数据加载到该对象中
• 标签的定位
  • soup.tagName:只可以定位到第一个tagName标签
  • 属性定位：soup.find('tagName',attrName='value'),只可以定位到符合要求的第一个标签
    • 特别的: class属性 class_='value'
    • findAll:返回值是一个列表。可以定位到符合要求的所有标签
  • 选择器定位：soup.select('选择器')
    • 选择器：id，class，tag,层级选择器(大于号表示一个层级，空格表示多个层级)
• 取文本
  • text:将标签中所有的文本取出
  • string:将标签中直系的文本取出
• 取属性
  • tag['attrName']

练习:

需求：使用bs4解析红楼梦小说的标题和内容，存储到本地

url = 'http://www.shicimingju.com/book/hongloumeng.html'
page_text = requests.get(url, headers=headers).text
soup = BeautifulSoup(page_text, 'lxml')
a_list = soup.select('.book-mulu a')
f1 = open('红楼梦.text', 'w', encoding='utf-8')
for a in a_list:
    title = a.text
    book_url = 'http://www.shicimingju.com' + a['href']
    book_text = requests.get(book_url, headers=headers).text
    book_soup = BeautifulSoup(book_text, 'lxml')
    book_data = book_soup.select('.chapter_content')[0].text
    f1.write(title + '
' + book_data + '
')
    print(title, '爬取成功~')
f1.close()

五, pyquery解析

和jQuery高度相似,容易上手,但是效率和正确率不太好.

https://blog.csdn.net/sunt2018/article/details/85932516