爬虫入门教程 —— 3

常用的数据提取工具：

1  xpath   2  BeautifulSoup  3 正则表达式   。

当然了 还有一些 像jsonpath，pyquery等

为什么要用这些解析工具？ 怎么使用？（下节开始我们开始带一些小案列）)

为什么要用解析工具：做爬虫还有对前端了解一些，比如 css   js   ajax 等，因为数据我们前边说了是嵌在html 代码里面的，我们需要提取出来，试想一下化学中的提取某种东西 是不是需要各种器材，爬虫提取数据亦是如此，这些解析工具能帮助我们轻易的获取我们想要的数据。

怎么使用：每个工具啊都有自己的使用方法，和规则，只要我们按照规则就可以

xpath

xpath 是一门在xml文档中查找信息的语言。可以用来在xml文档中对元素和属性进行遍历

菜鸟教程 ：点击打开链接   看完可以找一段简单的网页试下，chrom浏览器还有一些页面的解析工具，很方便

BeautifulSoup   

  1. #  from bs4 import BeautifulSoup
  2. soup = BeautifulSoup('<a onclick='xx' href='xx'>xx</a>', 'html.parser')
  3. a = soup.select('a')[0]
  4. onclick = a.get('onclick')
  5. print(onclick)  #xx
  6. 获得一个元素后，使用get('attr')可以得到value
  7. string 方法,输出结果与当前唯一子节点的 .string 结果相同。
  8. 通俗点说就是：如果一个标签里面没有标签了，那么 .string 就会返回标签里面的内容。
  9. 如果标签里面只有唯一的一个标签了，那么 .string 也会返回最里面的内容。
  10. 如果超过一个标签的话，那么就会返回None
  11. print soup.head.string  
  12. #The Dormouse's story  
  13. print soup.title.string  
  14. #The Dormouse's story 
  15. print soup.html.string  
  16. # None 
  17.   #***find_all( name , attrs , recursive , text , **kwargs )***********!!!!!!!!!!!!!!
  18. find_all() 方法搜索当前tag的所有tag子节点,并判断是否符合过滤器的条件
  19. 1  name 参数
  20. name 参数可以查找所有名字为 name 的tag,字符串对象会被自动忽略掉
  21. #第一个参数为Tag的名称   
  22. tag.find_all(‘title’)    
  23. #得到”<title>&%^&*</title>”,结果为一个列表    
  24. #第二个参数为匹配的属性  
  25. tag.find_all(“title”,class=”sister”)    
  26. #得到如”<title class = “sister”>%^*&</title>    
  27. # 第二个参数也可以为字符串，得到字符串匹配的结果  
  28. tag.find_all(“title”,”sister”)    
  29. #得到如”<title class = “sister”>%^*&</title> 
  30. A下面的例子用于查找文档中所有的<b>标签
  31. soup.find_all('b')  
  32. # [<b>The Dormouse's story</b>]  
  33. B.传正则表达式
  34. 如果传入正则表达式作为参数,Beautiful Soup会通过正则表达式的 match() 来匹配内容.下面例子中找出所有以b开头的标签,
  35. 这表示<body>和<b>标签都应该被找到
  36. import re  
  37. for tag in soup.find_all(re.compile('^b')):  
  38.     print(tag.name)  
  39. # body  
  40. # b  
  41. C.传列表
  42. 如果传入列表参数,Beautiful Soup会将与列表中任一元素匹配的内容返回.下面代码找到文档中所有<a>标签和<b>标签
  43. soup.find_all(['a', 'b'])  
  44. # [<b>The Dormouse's story</b>,  
  45. #  <a class='sister' href='http://example.com/elsie' id='link1'>Elsie</a>,  
  46. #  <a class='sister' href='http://example.com/lacie' id='link2'>Lacie</a>,  
  47. #  <a class='sister' href='http://example.com/tillie' id='link3'>Tillie</a>]  
  48. D.传 True
  49. True 可以匹配任何值,下面代码查找到所有的tag,但是不会返回字符串节点
  50. E.传方法
  51. 2）keyword 参数
  52. 注意：如果一个指定名字的参数不是搜索内置的参数名,搜索时会把该参数当作指定名字tag的属性来搜索,
  53. 如果包含一个名字为 id 的参数,Beautiful Soup会搜索每个tag的”id”属性
  54. soup.find_all(id='link2')  
  55. # [<a class='sister' href='http://example.com/lacie' id='link2'>Lacie</a>] 
  56. 如果传入 href 参数,Beautiful Soup会搜索每个tag的”href”属性 
  57. soup.find_all(href=re.compile('elsie'))  
  58. # [<a class='sister' href='http://example.com/elsie' id='link1'>Elsie</a>]
  59. 使用多个指定名字的参数可以同时过滤tag的多个属性
  60. soup.find_all(href=re.compile('elsie'), id='link1')  
  61. # [<a class='sister' href='http://example.com/elsie' id='link1'>three</a>]  
  62. 在这里我们想用 class 过滤，不过 class 是 python 的关键词，这怎么办？加个下划线就可以
  63. soup.find_all('a', class_='sister')  
  64. # [<a class='sister' href='http://example.com/elsie' id='link1'>Elsie</a>,  
  65. # <a class='sister' href='http://example.com/lacie' id='link2'>Lacie</a>,  
  66. # <a class='sister' href='http://example.com/tillie' id='link3'>Tillie</a>]  
  67. 可以通过 find_all() 方法的 attrs 参数定义一个字典参数来搜索包含特殊属性的tag
  68. data_soup.find_all(attrs={'data-foo': 'value'})  
  69. # [<div data-foo='value'>foo!</div>] 
  70. 4）limit 参数
  71. soup.find_all('a', limit=2)  
  72. # [<a class='sister' href='http://example.com/elsie' id='link1'>Elsie</a>,  
  73. #  <a class='sister' href='http://example.com/lacie' id='link2'>Lacie</a>]   
  74. CSS选择器     用到的方法是 soup.select()，返回类型是 list   在写 CSS 时，标签名不加任何修饰，类名前加点 .      id名前加 #
  75. （1）通过标签名查找
  76. rint soup.select('title')   
  77. #[<title>The Dormouse's story</title>]  
  78. （2）通过类名查找
  79. print soup.select('.sister')  
  80. （3）通过 id 名查找
  81. print soup.select('#link1')  
  82. #[<a class='sister' href='http://example.com/elsie' id='link1'><!-- Elsie --></a>]  
  83. （4）组合查找   查找 p 标签中，id 等于 link1的内容，二者需要用空格分开
  84. print soup.select('p #link1')  
  85.      直接子标签查找
  86. print soup.select('head > title')  
  87. #[<title>The Dormouse's story</title>] 
  88. （5）属性查找
  89. 查找时还可以加入属性元素，属性需要用中括号括起来，注意属性和标签属于同一节点，所以中间不能加空格，否则会无法匹配到
  90. print soup.select('a[class='sister']')  
  91. #[<a class='sister' href='http://example.com/elsie' id='link1'><!-- Elsie --></a>, 
  92. print soup.select('a[href='http://example.com/elsie']')  
  93. #[<a class='sister' href='http://example.com/elsie' id='link1'><!-- Elsie --></a>]
  94. 上的 select 方法返回的结果都是列表形式，可以遍历形式输出，然后用 get_text() 方法来获取它的内容
  95. soup = BeautifulSoup(html, 'lxml')  
  96. print type(soup.select('title'))  
  97. print soup.select('title')[0].get_text()  
  98. for title in soup.select('title'):  
  99.     print title.get_text()  
  100. 例如  item['home_page'] = cpy1.find(class_='link-line').find_all('a')[-1].get_text().strip()
  101. #---------------------------------------------------------------------------------------------

print soup.select('head > title')   #[<title>The Dormouse's story</title>] （5）属性查找查找时还可以加入属性元素，属性需要用中括号括起来，注意属性和标签属于同一节点，所以中间不能加空格，否则会无法匹配到print soup.select('a[class='sister']')  #[<a class='sister' href='http://example.com/elsie' id='link1'><!-- Elsie --></a>, print soup.select('a[href='http://example.com/elsie']')  #[<a class='sister' href='http://example.com/elsie' id='link1'><!-- Elsie --></a>] 上的 select 方法返回的结果都是列表形式，可以遍历形式输出，然后用 get_text() 方法来获取它的内容soup = BeautifulSoup(html, 'lxml')  print type(soup.select('title'))  print soup.select('title')[0].get_text()    for title in soup.select('title'):      print title.get_text()  例如  item['home_page'] = cpy1.find(class_='link-line').find_all('a')[-1].get_text().strip()#---------------------------------------------------------------------------------------------

字典中的get()方法取不到会返回None， 直接用键名取 取不到报错。   json.loads可以吧str 转换成字典格式， 把json格式数据转换成python对象

# --------------------------------------------------------------------------------------------------------------------------

正则表达式

正则表达式手册

正则表达式是处理字符串的强大工具，拥有独特的语法和独立的处理引擎。

我们在大文本中匹配字符串时，有些情况用str自带的函数(比如find, in)可能可以完成，有些情况会稍稍复杂一些(比如说找出所有“像邮箱”的字符串，所有和julyedu相关的句子)，这个时候我们需要一个某种模式的工具，这个时候正则表达式就派上用场了。

说起来正则表达式效率上可能不如str自带的方法，但匹配功能实在强大太多。对啦，正则表达式不是Python独有的，如果已经在其他语言里使用过正则表达式，这里的说明只需要简单看一看就可以上手啦。

1.语法。

当你要匹配 一个/多个/任意个 数字/字母/非数字/非字母/某几个字符/任意字符，想要 贪婪/非贪婪 匹配，想要捕获匹配出来的 第一个/所有 内容的时候，记得这里有个小手册供你

4.Python案例

re模块

Python通过re模块提供对正则表达式的支持。

使用re的一般步骤是

  • 1.将正则表达式的字符串形式编译为Pattern实例
  • 2.使用Pattern实例处理文本并获得匹配结果（一个Match实例）
  • 3.使用Match实例获得信息，进行其他的操作。
  1. # encoding: UTF-8
  2. import re
  3. # 将正则表达式编译成Pattern对象
  4. pattern = re.compile(r'hello.*\!')
  5. # 使用Pattern匹配文本，获得匹配结果，无法匹配时将返回None
  6. match = pattern.match('hello, yangshilong! How are you?')
  7. if match:
  8. # 使用Match获得分组信息
  9. print match.group()
hello, yangshilong!

re.compile(strPattern[, flag]):

这个方法是Pattern类的工厂方法，用于将字符串形式的正则表达式编译为Pattern对象。

第二个参数flag是匹配模式，取值可以使用按位或运算符'|'表示同时生效，比如re.I | re.M。

当然，你也可以在regex字符串中指定模式，比如re.compile('pattern', re.I | re.M)等价于re.compile('(?im)pattern')

flag可选值有：

  • re.I(re.IGNORECASE): 忽略大小写（括号内是完整写法，下同）
  • re.M(MULTILINE): 多行模式，改变'^'和'$'的行为（参见上图）
  • re.S(DOTALL): 点任意匹配模式，改变'.'的行为
  • re.L(LOCALE): 使预定字符类 \w \W \b \B \s \S 取决于当前区域设定
  • re.U(UNICODE): 使预定字符类 \w \W \b \B \s \S \d \D 取决于unicode定义的字符属性
  • re.X(VERBOSE): 详细模式。这个模式下正则表达式可以是多行，忽略空白字符，并可以加入注释。以下两个正则表达式是等价的：
  1. regex_1 = re.compile(r'''\d + # 数字部分
  2. \. # 小数点部分
  3. \d * # 小数的数字部分''', re.X)
  4. regex_2 = re.compile(r'\d+\.\d*')

Match

Match对象是一次匹配的结果，包含了很多关于此次匹配的信息，可以使用Match提供的可读属性或方法来获取这些信息。

match属性：

  • string: 匹配时使用的文本。
  • re: 匹配时使用的Pattern对象。
  • pos: 文本中正则表达式开始搜索的索引。值与Pattern.match()和Pattern.seach()方法的同名参数相同。
  • endpos: 文本中正则表达式结束搜索的索引。值与Pattern.match()和Pattern.seach()方法的同名参数相同。
  • lastindex: 最后一个被捕获的分组在文本中的索引。如果没有被捕获的分组，将为None。
  • lastgroup: 最后一个被捕获的分组的别名。如果这个分组没有别名或者没有被捕获的分组，将为None。

方法：

  • group([group1, …]): 
    获得一个或多个分组截获的字符串；指定多个参数时将以元组形式返回。group1可以使用编号也可以使用别名；编号0代表整个匹配的子串；不填写参数时，返回group(0)；没有截获字符串的组返回None；截获了多次的组返回最后一次截获的子串。
  • groups([default]): 
    以元组形式返回全部分组截获的字符串。相当于调用group(1,2,…last)。default表示没有截获字符串的组以这个值替代，默认为None。
  • groupdict([default]): 
    返回以有别名的组的别名为键、以该组截获的子串为值的字典，没有别名的组不包含在内。default含义同上。
  • start([group]): 
    返回指定的组截获的子串在string中的起始索引（子串第一个字符的索引）。group默认值为0。
  • end([group]): 
    返回指定的组截获的子串在string中的结束索引（子串最后一个字符的索引+1）。group默认值为0。
  • span([group]): 
    返回(start(group), end(group))。
  • expand(template): 
    将匹配到的分组代入template中然后返回。template中可以使用\id或\g、\g引用分组，但不能使用编号0。\id与\g是等价的；但\10将被认为是第10个分组，如果你想表达\1之后是字符'0'，只能使用\g<1>0。
 
  1. import re
  2. m = re.match(r'(\w+) (\w+)(?P<sign>.*)', 'hello hanxiaoyang!')
  3. print 'm.string:', m.string
  4. print 'm.re:', m.re
  5. print 'm.pos:', m.pos
  6. print 'm.endpos:', m.endpos
  7. print 'm.lastindex:', m.lastindex
  8. print 'm.lastgroup:', m.lastgroup
  9. print 'm.group(1,2):', m.group(1, 2)
  10. print 'm.groups():', m.groups()
  11. print 'm.groupdict():', m.groupdict()
  12. print 'm.start(2):', m.start(2)
  13. print 'm.end(2):', m.end(2)
  14. print 'm.span(2):', m.span(2)
  15. print r'm.expand(r'\2 \1\3'):', m.expand(r'\2 \1\3')
  1. m.string: hello hanxiaoyang!
  2. m.re: <_sre.SRE_Pattern object at 0x10b111be0>
  3. m.pos: 0
  4. m.endpos: 18
  5. m.lastindex: 3
  6. m.lastgroup: sign
  7. m.group(1,2): ('hello', 'hanxiaoyang')
  8. m.groups(): ('hello', 'hanxiaoyang', '!')
  9. m.groupdict(): {'sign': '!'}
  10. m.start(2): 6
  11. m.end(2): 17
  12. m.span(2): (6, 17)
  13. m.expand(r'\2 \1\3'): hanxiaoyang hello!

Pattern

Pattern对象是一个编译好的正则表达式，通过Pattern提供的一系列方法可以对文本进行匹配查找。

Pattern不能直接实例化，必须使用re.compile()进行构造。

Pattern提供了几个可读属性用于获取表达式的相关信息：

  • pattern: 编译时用的表达式字符串。
  • flags: 编译时用的匹配模式。数字形式。
  • groups: 表达式中分组的数量。
  • groupindex: 以表达式中有别名的组的别名为键、以该组对应的编号为值的字典，没有别名的组不包含在内。
  1. import re
  2. p = re.compile(r'(\w+) (\w+)(?P<sign>.*)', re.DOTALL)
  3. print 'p.pattern:', p.pattern
  4. print 'p.flags:', p.flags
  5. print 'p.groups:', p.groups
  6. print 'p.groupindex:', p.groupindex
  1. p.pattern: (\w+) (\w+)(?P<sign>.*)
  2. p.flags: 16
  3. p.groups: 3
  4. p.groupindex: {'sign': 3}

使用pattern

  • match(string[, pos[, endpos]]) | re.match(pattern, string[, flags]): 
    这个方法将从string的pos下标处起尝试匹配pattern:

    • 如果pattern结束时仍可匹配，则返回一个Match对象
    • 如果匹配过程中pattern无法匹配，或者匹配未结束就已到达endpos，则返回None。
    • pos和endpos的默认值分别为0和len(string)。 
      注意：这个方法并不是完全匹配。当pattern结束时若string还有剩余字符，仍然视为成功。想要完全匹配，可以在表达式末尾加上边界匹配符'$'。
  • search(string[, pos[, endpos]]) | re.search(pattern, string[, flags]): 
    这个方法从string的pos下标处起尝试匹配pattern

    • 如果pattern结束时仍可匹配，则返回一个Match对象
    • 若无法匹配，则将pos加1后重新尝试匹配，直到pos=endpos时仍无法匹配则返回None。
    • pos和endpos的默认值分别为0和len(string)
  1. # encoding: UTF-8
  2. import re
  3. # 将正则表达式编译成Pattern对象
  4. pattern = re.compile(r'H.*g')
  5. # 使用search()查找匹配的子串，不存在能匹配的子串时将返回None
  6. # 这个例子中使用match()无法成功匹配
  7. match = pattern.search('hello Hanxiaoyang!')
  8. if match:
  9. # 使用Match获得分组信息
  10. print match.group()
Hanxiaoyang
  • split(string[, maxsplit]) | re.split(pattern, string[, maxsplit]):

    • 按照能够匹配的子串将string分割后返回列表。
    • maxsplit用于指定最大分割次数，不指定将全部分割。
  1. import re
  2. p = re.compile(r'\d+')
  3. print p.split('one1two2three3four4')
['one', 'two', 'three', 'four', '']
  • findall(string[, pos[, endpos]]) | re.findall(pattern, string[, flags]):

  1. import re
  2. p = re.compile(r'\d+')
  3. print p.findall('one1two2three3four4')
['1', '2', '3', '4']
  • finditer(string[, pos[, endpos]]) | re.finditer(pattern, string[, flags]):

    • 搜索string，返回一个顺序访问每一个匹配结果（Match对象）的迭代器。
  1. import re
  2. p = re.compile(r'\d+')
  3. for m in p.finditer('one1two2three3four4'):
  4. print m.group()
  1. 1
  2. 2
  3. 3
  4. 4
  • sub(repl, string[, count]) | re.sub(pattern, repl, string[, count]):

    • 使用repl替换string中每一个匹配的子串后返回替换后的字符串。

      • 当repl是一个字符串时，可以使用\id或\g、\g引用分组，但不能使用编号0。
      • 当repl是一个方法时，这个方法应当只接受一个参数（Match对象），并返回一个字符串用于替换（返回的字符串中不能再引用分组）。 count用于指定最多替换次数，不指定时全部替换。
  1. import re
  2. p = re.compile(r'(\w+) (\w+)')
  3. s = 'i say, hello hanxiaoyang!'
  4. print p.sub(r'\2 \1', s)
  5. def func(m):
  6. return m.group(1).title() + ' ' + m.group(2).title()
  7. print p.sub(func, s)
  1. say i, hanxiaoyang hello!
  2. I Say, Hello Hanxiaoyang!
  • subn(repl, string[, count]) |re.sub(pattern, repl, string[, count]):

    • 返回 (sub(repl, string[, count]), 替换次数)。
  1. import re
  2. p = re.compile(r'(\w+) (\w+)')
  3. s = 'i say, hello hanxiaoyang!'
  4. print p.subn(r'\2 \1', s)
  5. def func(m):
  6. return m.group(1).title() + ' ' + m.group(2).title()
  7. print p.subn(func, s)
  1. ('say i, hanxiaoyang hello!', 2)
  2. ('I Say, Hello Hanxiaoyang!', 2)
赞 (0)

相关推荐