Python爬虫编程实践--re bs及xpath

2023-11-16

Beautiful Soup库入门

Beautiful Soup 是一个HTML/XML 的解析器，主要用于解析和提取 HTML/XML 数据。
它基于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。
BeautifulSoup 用来解析 HTML 比较简单，API非常人性化，支持CSS选择器、Python标准库中的HTML解析器，也支持 lxml 的 XML解析器。
虽然说BeautifulSoup4 简单容易比较上手，但是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。

使用：

第一步：pip install beautifulsoup4 ，万事开头难，先安装 beautifulsoup4，安装成功后就完成了第一步。
第二步：导入from bs4 import BeautifulSoup
第三步：创建 Beautiful Soup对象 soup = BeautifulSoup(html，‘html.parser’)

1.1 Beautiful Soup库的基本元素

Beautiful Soup库的理解：
Beautiful Soup库是解析、遍历、维护“标签树”的功能库，对应一个HTML/XML文档的全部内容

BeautifulSoup类的基本元素:
    Tag 标签，最基本的信息组织单元，分别用<>和</>标明开头和结尾；
    Name 标签的名字，<p>…</p>的名字是'p'，格式：<tag>.name;
    Attributes 标签的属性，字典形式组织，格式：<tag>.attrs;
    NavigableString 标签内非属性字符串，<>…</>中字符串，格式：<tag>.string;
    Comment 标签内字符串的注释部分，一种特殊的Comment类型;

# 导入bs4库
from bs4 import BeautifulSoup
import requests # 抓取页面

r = requests.get('https://python123.io/ws/demo.html') 
demo = r.text  # 抓取的数据
# 解析HTML页面
soup = BeautifulSoup(demo, 'html.parser') 
# 输出解析后的HTML页面
print(soup.prettify())

<html>
 <head>
  <title>
   This is a python demo page
  </title>
 </head>
 <body>
  <p class="title">
   <b>
    The demo python introduces several python courses.
   </b>
  </p>
  <p class="course">
   Python is a wonderful general-purpose programming language. You can learn Python from novice to professional by tracking the following courses:
   <a class="py1" href="http://www.icourse163.org/course/BIT-268001" id="link1">
    Basic Python
   </a>
   and
   <a class="py2" href="http://www.icourse163.org/course/BIT-1001870001" id="link2">
    Advanced Python
   </a>
   .
  </p>
 </body>
</html>

1）标签，用soup.访问获得:

当HTML文档中存在多个相同<tag>对应内容时，soup.<tag>返回第一个

soup.a

<a class="py1" href="http://www.icourse163.org/course/BIT-268001" id="link1">Basic Python</a>

soup.title

<title>This is a python demo page</title>

2）标签的名字:每个都有自己的名字，通过soup..name获取，字符串类型

soup.a.name

'a'

soup.a.parent.name

'p'

soup.p.parent.name

'body'

3)标签的属性,一个可以有0或多个属性，字典类型,soup..attrs

tag = soup.a

print(tag.attrs)

print(tag.attrs['class'])

print(type(tag.attrs))

{'href': 'http://www.icourse163.org/course/BIT-268001', 'class': ['py1'], 'id': 'link1'}
['py1']
<class 'dict'>

4)Attributes:标签内非属性字符串,格式：soup..string, NavigableString可以跨越多个层次

print(soup.a.string)

print(type(soup.a.string))

Basic Python
<class 'bs4.element.NavigableString'>

5）NavigableString:标签内字符串的注释部分，Comment是一种特殊类型(有–>)

print(type(soup.p.string))

<class 'bs4.element.NavigableString'>

.prettify()为HTML文本<>及其内容增加更加’\n’,有层次感的输出
.prettify()可用于标签，方法：.prettify()

print(soup.a.prettify())

<a class="py1" href="http://www.icourse163.org/course/BIT-268001" id="link1">
 Basic Python
</a>

7)bs4库将任何HTML输入都变成utf‐8编码
Python 3.x默认支持编码是utf‐8,解析无障碍

newsoup = BeautifulSoup('<a>中文</a>', 'html.parser')

print(newsoup.prettify())

<a>
 中文
</a>

基于bs4库的HTML内容遍历方法

HTML基本格式:<>…</>构成了所属关系，形成了标签的树形结构

标签树的下行遍历
    .contents 子节点的列表，将<tag>所有儿子节点存入列表
    .children 子节点的迭代类型，与.contents类似，用于循环遍历儿子节点
    .descendants 子孙节点的迭代类型，包含所有子孙节点，用于循环遍历

for child in soup.body.children:#遍历儿子节点

    print(child)



<p class="title"><b>The demo python introduces several python courses.</b></p>


<p class="course">Python is a wonderful general-purpose programming language. You can learn Python from novice to professional by tracking the following courses:
<a class="py1" href="http://www.icourse163.org/course/BIT-268001" id="link1">Basic Python</a> and <a class="py2" href="http://www.icourse163.org/course/BIT-1001870001" id="link2">Advanced Python</a>.</p>

标签树的上行遍
    .parent 节点的父亲标签
    .parents 节点先辈标签的迭代类型，用于循环遍历先辈节点

for parent in soup.a.parents: # 遍历先辈的信息

    if parent is None:

        print(parent)

    else:

        print(parent.name)

p
body
html
[document]

标签树的平行遍历
    .next_sibling 返回按照HTML文本顺序的下一个平行节点标签
    .previous_sibling 返回按照HTML文本顺序的上一个平行节点标签
    .next_siblings 迭代类型，返回按照HTML文本顺序的后续所有平行节点标签
    .previous_siblings 迭代类型，返回按照HTML文本顺序的前续所有平行节点标签

print(soup.a.next_sibling.next_sibling)#a标签的下一个标签的下一个标签

<a class="py2" href="http://www.icourse163.org/course/BIT-1001870001" id="link2">Advanced Python</a>

print(soup.a.previous_sibling)#a标签的前一个标签

Python is a wonderful general-purpose programming language. You can learn Python from novice to professional by tracking the following courses:

for sibling in soup.a.next_siblings:#遍历后续节点

    print(sibling)

 and 
<a class="py2" href="http://www.icourse163.org/course/BIT-1001870001" id="link2">Advanced Python</a>
.

基于bs4库的HTML内容的查找方法

<>.find_all(name, attrs, recursive, string, **kwargs)
    参数：
    ∙ name : 对标签名称的检索字符串
    ∙ attrs: 对标签属性值的检索字符串，可标注属性检索
    ∙ recursive: 是否对子孙全部检索，默认True
    ∙ string: <>…</>中字符串区域的检索字符串
        简写：
        <tag>(..) 等价于 <tag>.find_all(..)
        soup(..) 等价于 soup.find_all(..)
扩展方法：
    <>.find() 搜索且只返回一个结果，同.find_all()参数
    <>.find_parents() 在先辈节点中搜索，返回列表类型，同.find_all()参数
    <>.find_parent() 在先辈节点中返回一个结果，同.find()参数
    <>.find_next_siblings() 在后续平行节点中搜索，返回列表类型，同.find_all()参数
    <>.find_next_sibling() 在后续平行节点中返回一个结果，同.find()参数
    <>.find_previous_siblings() 在前序平行节点中搜索，返回列表类型，同.find_all()参数
    <>.find_previous_sibling() 在前序平行节点中返回一个结果，同.find()参数

实战：中国大学排名定向爬取

爬取url：http://www.zuihaodaxue.cn/zuihaodaxuepaiming2019.html
爬取思路：
    从网络上获取大学排名网页内容
    提取网页内容中信息到合适的数据结构（二维数组）-排名，学校名称，总分
    利用数据结构展示并输出结果

import requests
from bs4 import BeautifulSoup
import bs4

def getHTMLText(url):
    try:
        r = requests.get(url,timeout = 30)
        print(r.raise_for_status())
        r.encoding = r.apparent_encoding
        return r.text
    except:
        return ''
        
def fillUnivList(ulist,html):
    soup = BeautifulSoup(html,'html.parser')
    for tr in soup.find('tbody').children:
        if isinstance(tr,bs4.element.Tag):
            tds = tr('td')
            ulist.append([tds[0].string, tds[1].string, tds[3].string])       

def printUnivList(ulist, num=20):
    tplt = "{0:^10}\t{1:{3}^10}\t{2:^10}"
    print(tplt.format('排名', '学校名称', '总分', chr(12288)))
    for i in range(num):
        u = ulist[i]
        print(tplt.format(u[0], u[1], u[2], chr(12288)))   

u_info = [] # 存储爬取结果的容器
url = 'http://www.zuihaodaxue.cn/zuihaodaxuepaiming2019.html'
html = getHTMLText(url)
fillUnivList(u_info, html)
printUnivList(u_info, num=30)

Xpath

学习目标

学习xpath，使用lxml+xpath提取内容。
使用xpath提取丁香园论坛的回复内容。
抓取丁香园网页：http://www.dxy.cn/bbs/thread/626626#626626 。

Xpath常用的路径表达式

XPath即为XML路径语言（XML Path Language），它是一种用来确定XML文档中某部分位置的语言。
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。

XPath使用路径表达式在XML文档中选取节点。节点是通过沿着路径选取的。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

详细学习：https://www.cnblogs.com/gaojun/archive/2012/08/11/2633908.html

使用lxml解析

导入库：from lxml import etree

lxml将html文本转成xml对象
    tree = etree.HTML(html)

用户名称：tree.xpath(’//div[@class=“auth”]/a/text()’)

回复内容：tree.xpath(’//td[@class=“postbody”]’) 因为回复内容中有换行等标签，所以需要用string()来获取数据。
    string()的详细见链接：https://www.cnblogs.com/CYHISTW/p/12312570.html

Xpath中text()，string()，data()的区别如下：
    text()仅仅返回所指元素的文本内容。
    string()函数会得到所指元素的所有节点文本内容，这些文本讲会被拼接成一个字符串。
    data()大多数时候，data()函数和string()函数通用，而且不建议经常使用data()函数，有数据表明，该函数会影响XPath的性能。

实战：爬取丁香园-用户名和回复内容

# 导入库

from lxml import etree

import requests



url = "http://www.dxy.cn/bbs/thread/626626#626626"

req = requests.get(url)

html = req.text

tree = etree.HTML(html) 

user = tree.xpath('//div[@class="auth"]/a/text()')

content = tree.xpath('//td[@class="postbody"]')



results = []

for i in range(0, len(user)):

    # 因为回复内容中有换行等标签，所以需要用string()来获取数据

    results.append(user[i].strip() + ":  " + content[i].xpath('string(.)').strip())



for i,result in zip(range(0, len(user)),results):

    print("user"+ str(i+1) + "-" + result)

    print("*"*100)



user1-楼医生:  我遇到一个“怪”病人，向大家请教。她，42岁。反复惊吓后晕厥30余年。每次受响声惊吓后发生跌倒，短暂意识丧失。无逆行性遗忘，无抽搐，无口吐白沫，无大小便失禁。多次跌倒致外伤。婴儿时有惊厥史。入院查体无殊。ECG、24小时动态心电图无殊；头颅MRI示小软化灶；脑电图无殊。入院后有数次类似发作。请问该患者该做何诊断，还需做什么检查，治疗方案怎样？
****************************************************************************************************

re

典型的搜索和替换操作要求您提供与预期的搜索结果匹配的确切文本。虽然这种技术对于对静态文本执行简单搜索和替换任务可能已经足够了，但它缺乏灵活性，若采用这种方法搜索动态文本，即使不是不可能，至少也会变得很困难。

通过使用正则表达式，可以：

测试字符串内的模式。
例如，可以测试输入字符串，以查看字符串内是否出现电话号码模式或信用卡号码模式。这称为数据验证。
替换文本。
可以使用正则表达式来识别文档中的特定文本，完全删除该文本或者用其他文本替换它。
基于模式匹配从字符串中提取子字符串。
可以查找文档内或输入域内特定的文本。

可以使用正则表达式来搜索和替换标记。
使用正则表达式的优势是什么？简洁

正则表达式是用来简洁表达一组字符串的表达式
正则表达式是一种通用的字符串表达框架
正则表达式是一种针对字符串表达“简洁”和“特征”思想的工具
正则表达式可以用来判断某字符串的特征归属

正则表达式在文本处理中十分常用：

同时查找或替换一组字符串
匹配字符串的全部或部分(主要)

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_]



调用方式：import re
re库采用raw string类型表示正则表达式，表示为：r'text'，raw string是不包含对转义符再次转义的字符串;

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，返回替换后的字符串

    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

re库的另一种等价用法（编译）

regex = re.compile(pattern, flags=0)：将正则表达式的字符串形式编译成正则表达式对象

re 库的贪婪匹配和最小匹配

.* Re库默认采用贪婪匹配，即输出匹配最长的子串
*? 只要长度输出可能不同的，都可以通过在操作符后增加?变成最小匹配

实战：淘宝商品比价定向爬虫

爬取网址：https://s.taobao.com/search?q=书包&js=1&stats_click=search_radio_all%25
爬取思路：
    提交商品搜索请求，循环获取页面
    对于每个页面，提取商品名称和价格信息
    将信息输出到屏幕上

# 导入包
import requests
import re

def getHTMLText(url):
    """
    请求获取html，（字符串）
    :param url: 爬取网址
    :return: 字符串
    """
    try:
        # 添加头信息,
        kv = {
            'cookie':'_samesite_flag_=true; cookie2=1f0edcfb33cb1702e5245acc8e74cd5e; t=83e74524f31741a421abf7531261bbd0; _tb_token_=ebdb836ffe67e; cna=V1BzFpdM0wMCATrCqFGPOzV1; sgcookie=EmaWF%2F03kKPUjOlRWENX0; unb=2126547308; uc3=nk2=F5RMECb3hGhVOA%3D%3D&lg2=UtASsssmOIJ0bQ%3D%3D&id2=UUkM8VrEfX%2BJww%3D%3D&vt3=F8dBxGR1SmblnHi2pUw%3D; csg=4152c503; lgc=tb99933355; cookie17=UUkM8VrEfX%2BJww%3D%3D; dnk=tb99933355; skt=9eb4c01a607c2525; existShop=MTU4NzY0MjkzMw%3D%3D; uc4=id4=0%40U2uAh66ENDSFlDn5l39UyBIAOfU0&nk4=0%40FY4HVZQ9DA01J9ejbr8td0ZWvZMt; tracknick=tb99933355; _cc_=W5iHLLyFfA%3D%3D; _l_g_=Ug%3D%3D; sg=584; _nk_=tb99933355; cookie1=VALYdBQLFf66%2BXx%2F52LjOGtZ7V%2BcCyTF%2FtMW5v5sIkY%3D; enc=qNLw5fUFJdX%2FSFOigEmc%2B6xqyqn6I0EpSyaZ4HnmmerR8dRqIxMQWqj%2FiN1IR7j6EYWYzv8cIC4RJqQqr3Zcmw%3D%3D; JSESSIONID=962D93948B53629A5B8E7E6978A413B7; tfstk=cIq5BJ04oQA7E8qy0W6qzOt79rmFZHYj3HG4FrFNYvP1VSw5ietZ1xJoEItxWx1..; uc1=cookie16=VT5L2FSpNgq6fDudInPRgavC%2BQ%3D%3D&cookie21=V32FPkk%2FgihF%2FS5nr3O5&cookie15=W5iHLLyFOGW7aA%3D%3D&existShop=false&pas=0&cookie14=UoTUPcqYhgFvKg%3D%3D; mt=ci=119_1; v=0; thw=cn; hng=CN%7Czh-CN%7CCNY%7C156; isg=BHp6khwQ8FQiTXzjrTmF2kJqy6CcK_4FXXkqiIRzmY3YdxixbrrRFRfFx0MMZ3ad; l=eBO_185lQc-_g2cyBO5ZPurza7PFeIRbzsPzaNbMiIHca66RTF1SHNQccmvH7dtbgtCxpexzH_ziuREv8Zadg2HvCbKrCyConxvO.',
            'user-agent': 'Mozilla/5.0'
        }
        r = requests.get(url, timeout=30, headers=kv)
        # r = requests.get(url, timeout=30)
        # print(r.status_code)
        r.raise_for_status()
        r.encoding = r.apparent_encoding
        return r.text
    except:
        return "爬取失败"

def parsePage(glist, html):
    '''
    解析网页，搜索需要的信息
    :param glist: 列表作为存储容器
    :param html: 由getHTMLText()得到的
    :return: 商品信息的列表
    '''
    try:
        # 使用正则表达式提取信息
        price_list = re.findall(r'\"view_price\"\:\"[\d\.]*\"', html)
        name_list = re.findall(r'\"raw_title\"\:\".*?\"', html)
        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])
    except:
        print("解析失败")

def printGoodList(glist):
    tplt = "{0:^4}\t{1:^6}\t{2:^10}"
    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]))

# 根据页面url的变化寻找规律，构建爬取url
goods_name = "书包"  # 搜索商品类型
start_url = "https://s.taobao.com/search?q=" + goods_name
info_list = []
page = 3  # 爬取页面数量

count = 0
for i in range(page):
    count += 1
    try:
        url = start_url + "&s=" + str(44 * i)
        html = getHTMLText(url)  # 爬取url
        parsePage(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

printGoodList(info_list)

本文内容由网友自发贡献，版权归原作者所有，本站不承担相应法律责任。如您发现有涉嫌抄袭侵权的内容，请联系:hwhale#tublm.com(使用前将#替换为@)

爬虫

python