Python爬虫，常用的请求的方式又urllib和第三方库requests，获取标签或字段的方式不同，有xpath,bs4,正则；这几个的话正则肯定是执行效率比较高的，当然编写过程也比较繁琐，一般都是在用xpath和bs4，正则的话是一个基础，最好是掌握一下。
那么将逐一来介绍这些模块的使用
安装
pip3 install requests
pip3 install bs4
pip3 install lxml
正则
提起正则，你要想起
. * ? \d \D \w \W \s \S 这些是单字符匹配
使用
find_all方法查询出所有
import re
pattern = re.comple('<li.*?>(.*?)</li>') # 这是在匹配所有li标签内的文本，要匹配的文本就用小括号包括起来
result = re.find_all(html,pattern) # html获取的网页源码，pattern刚刚写的正则规则，find_all查询出所有
xpath
XPath (XML Path Language) 是一门在 XML 文档中查找信息的语言，可用来在 XML 文档中对元素和属性进行遍历。
基本语法如下：
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。
具体使用
def get_img(self,url): '''获取一个帖子里面的所有图片'''
html = self.parse_url(url) #返回elemet累心的html，具有xpath方法
img_list = html.xpath('//div[@data-class="BDE_Image"]/@data-url')
img_list = [i.split("src=")[-1] for i in img_list] #提取图片的url
img_list = [requests.utils.unquote(i) for i in img_list]
return img_list
bs4
bs4库的简单使用
这里我们先简单的讲解一下bs4库的使用，暂时不去考虑如何从web上抓取网页，假设我们需要爬取的html是如下这么一段：
//下面的一段HTML代码将作为例子被多次用到.这是 爱丽丝梦游仙境的 的一段内容(以后内容中简称为 爱丽丝 的文档):
<html><head><title>The Dormouse's story</title></head>
<body>
<p class="title"><b>The Dormouse's story</b></p>
<p class="story">Once upon a time there were three little sisters; and their names were
http://example.com/elsie" class="sister" id="link1">Elsie,
http://example.com/lacie" class="sister" id="link2">Lacie and
http://example.com/tillie" class="sister" id="link3">Tillie;
and they lived at the bottom of a well.</p>
<p class="story">...</p>
</html>
下面我们开始用bs4库解析这一段html网页代码。
#导入bs4模块
from bs4 import BeautifulSoup
#做一个美味汤
soup = BeautifulSoup(html，'html.parser')
#输出结果
print(soup.prettify())
'''
OUT:
# <html>
# <head>
# <title>
# The Dormouse's story
# </title>
# </head>
# <body>
# <p class="title">
# <b>
# The Dormouse's story
# </b>
# </p>
# <p class="story">
# Once upon a time there were three little sisters; and their names were
# <a class="sister" href="http://example.com/elsie" id="link1">
# Elsie
# </a>
# ,
# <a class="sister" href="http://example.com/lacie" id="link2">
# Lacie
# </a>
# and
# <a class="sister" href="http://example.com/tillie" id="link2">
# Tillie
# </a>
# ; and they lived at the bottom of a well.
# </p>
# <p class="story">
# ...
# </p>
# </body>
# </html>
'''
可以看到bs4库将网页文件变成了一个soup的类型，事实上，bs4库 是解析、遍历、维护、“标签树“的功能库。
通俗一点说就是： bs4库把html源代码重新进行了格式化，从而方便我们对其中的节点、标签、属性等进行操作。
下面是几个简单的浏览结构化数据的方式 ：
请仔细观察最前面的html文件
# 找到文档的title
soup.title
# <title>The Dormouse's story</title>
#title的name值
soup.title.name
# u'title'
#title中的字符串String
soup.title.string
# u'The Dormouse's story'
#title的父亲节点的name属性
soup.title.parent.name
# u'head'
#文档的第一个找到的段落
soup.p
# <p class="title"><b>The Dormouse's story</b></p>
#找到的p的class属性值
soup.p['class']
# u'title'
#找到a标签
soup.a
# http://example.com/elsie" id="link1">Elsie
#找到所有的a标签
soup.find_all('a')
# [http://example.com/elsie" id="link1">Elsie,
# http://example.com/lacie" id="link2">Lacie,
# http://example.com/tillie" id="link3">Tillie]
#找到id值等于3的a标签
soup.find(id="link3")
# http://example.com/tillie" id="link3">Tillie
通过上面的例子 我们知道bs4库是这样理解一个html源文件的：
首先 把html源文件转换为soup类型
接着 从中通过特定的方式抓取内容
更高级点的用法？
从文档中找到所有标签的链接:
#发现了没有，find_all方法返回的是一个可以迭代的列表
for link in soup.find_all('a'):
print(link.get('href'))
# http://example.com/elsie
# http://example.com/lacie
# http://example.com/tillie
从文档中获取所有文字内容:
#我们可以通过get_text 方法 快速得到源文件中的所有text内容。
print(soup.get_text())
# The Dormouse's story
#
# The Dormouse's story
#
# Once upon a time there were three little sisters; and their names were
# Elsie,
# Lacie and
# Tillie;
# and they lived at the bottom of a well.
#
# ...
网友评论