爬虫-数据解析-bs4

1.数据解析

• 解析: 根据指定的规则对数据进行提取

• 作用: 实现聚焦爬虫

• 数据解析方式:

  - 正则表达式
  - bs4
  - xpath
  

• 数据解析的通用原理:

  • 数据解析需要作用在页面源码中(一组html标签组成的)

    html:的核心作用是展示数据
    

  • 通用原理:

    • 标签定位
    • 获取文本或者属性

• 正则表达式实现数据解析

  # 需求:爬取糗事百科中糗图数据
  import requests
  headers = {
      'User-Agent':'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/76.0.3809.100 Safari/537.36'
  }
  
  #方式1:
  url = 'https://pic.qiushibaike.com/system/pictures/12217/122176396/medium/OM37E794HBL3OFFF.jpg'
  img_data = requests.get(url=url,headers=headers).content #content返回的是byte类型的数据
  with open('./123.jpg','wb') as fp:
      fp.write(img_data)
  
  #方式2:
  from urllib import request
  url = 'https://pic.qiushibaike.com/system/pictures/12217/122176396/medium/OM37E794HBL3OFFF.jpg'
  request.urlretrieve(url,'./456.jpg')
  
  - 方式2不可以使用UA伪装的机制
  
  - urllib就是一个比较老的网络请求的模块,在requests模块没有出现之前,请求发送的操作使用的都是urllib
  

2.bs4 解析模块

• 模块安装 :

  • pip install bs4
  • pip install lxml

• bs4 的解析原理

  • 实例化一个beautifulSoup的对象,并且将即将被解析的源码数据加载到该对象中
  • 调用beautifulSoup对象中的相关属性和方法继续宁标签定位和数据提取

• 如何实例化BeautifulSoup对象

  • BeautifulSoup(fp,'lxml'):专门用作于解析本地存储的html文档中的数据

    from bs4 import BeautifulSoup
    fp = open('./test.html','r',encoding='utf-8')
    soup = BeautifulSoup(fp,'lxml') #将即将被解析的页面源码加载到该对象中
    

  • BeautifulSoup(page_text,'lxml'):专门用作于将互联网上请求到的页面源码数据进行解析

• 标签定位:

  • soup = BeautifulSoup(page_text,'lxml') 实例化一个对象

  • soup.tagName:定位到第一个TagName标签,返回的是单数

  • 属性定位:soup.find('tagName',attrName='value'),返回也是单数

    • find_all:和find用法一致,但是返回值是列表

  • 选择器定位:select('选择器'),返回值为列表

    • 标签选择器,类选择器,id选择器,层级选择器(>:一个层级,空格:多个层级)

    from bs4 import BeautifulSoup
    fp = open('./test.html','r',encoding='utf-8')
    soup = BeautifulSoup(fp,'lxml') #将即将被解析的页面源码加载到该对象中
    soup.p
    soup.find('div',class_='song')
    soup.find_all('div',class_='song')
    soup.select('.tang')
    soup.select('#feng')
    soup.select('.tang > ul > li')
    soup.select('.tang li')
    li_6 = soup.select('.tang > ul > li')[6]
    i_tag = li_6.i
    i_tag.string
    soup.find('div',class_='tang').text
    soup.find('a',id="feng")['href']
    

• 提取数据

  • 取文本:
    • tag.string:标签中直系的文本内容(只提取直系内的文本)
    • tag.text:标签中所有的文本内容
  • 取属性:
    • tag['attrName']

  # 爬取三国演义整篇小说内容http://www.shicimingju.com/book/sanguoyanyi.html
  
  url = 'http://www.shicimingju.com/book/sanguoyanyi.html'
  page_text = requests.get(url,headers=headers).text
  soup = BeautifulSoup(page_text,'lxml')
  a_list = soup.select('.book-mulu > ul > li > a')
  fp = open('sanguo.txt','w',encoding='utf-8')
  for a in a_list:
      detail_url = 'http://www.shicimingju.com'+a['href']
      chap_title = a.string
      #对章节详情页的url发起请求,解析详情页中的章节内容
      detail_page_text = requests.get(detail_url,headers=headers).text
      soup = BeautifulSoup(detail_page_text,'lxml')
      chap_content = soup.find('div',class_="chapter_content").text
      fp.write(chap_title+':'+chap_content+'\n')
      print(chap_title,'爬取成功!')
  fp.close()