python3 爬虫五大模块之四:网页解析器
Python的爬虫框架主要可以分为以下五个部分:
爬虫调度器:用于各个模块之间的通信,可以理解为爬虫的入口与核心(main函数),爬虫的执行策略在此模块进行定义;
URL管理器:负责URL的管理,包括带爬取和已爬取的URL、已经提供相应的接口函数(类似增删改查的函数)
网页下载器:负责通过URL将网页进行下载,主要是进行相应的伪装处理模拟浏览器访问、下载网页
网页解析器:负责网页信息的解析,这里是解析方式视具体需求来确定
信息采集器:负责将解析后的信息进行存储、显示等处理
代码示例是爬取CSDN博主下的所有文章为例,文章仅作为笔记使用,理论知识rarely
一、网页解析器简介
解析器的工作就是按需求对网页进行解析,并将解析信息进行处理。
解析器可以选择的工具有很多种,在这个博客里使用的时BeautifulSoup + 正则表达式进行信息的提取。BeautifulSoup使用起来比较方便(其他的目前还不会,没接触) ,因为不熟,所以不做技术说明,近将经过尝试的结果呈现。
二、网页解析器示例:(爬取CSDN博主下的所有文章)
# author : sunzd
# date : 2019/3/22
# position: chengdu
from bs4 import BeautifulSoup
from urllib import error
import re
class HtmlParser(object):
def __init__(self):
# self.articles = {}
# self.articles_url = set()
# self.articles_title = set()
# self.articles_date = set()
self.url_page = None
'''
print(link.parent.span) :
<span class="article-type type-1">原</span>
print(link.parent.span.text) :
节点span的内容:原
print(link.parent.get('href')) :
https://blog.csdn.net/s2603898260/article/details/85067018
https://blog.csdn.net/s2603898260/article/details/85020006
'''
'''
get_article_urls最后的结果只获取了文章的URL,其中大部分代码为调试记录,没删除
'''
def get_article_urls(self, page_url, soup):
# 1. 根据文章类型来确定文章信息
# links = soup.find_all('span', class_=re.compile(r"article-type type-[0-9]"))
# article_titles = soup.find_all('div', attrs={'class':"article-item-box csdn-tracking-statistics",'data-articleid':"\d+"})
# article_info = soup.find_all('div', class_="info-box d-flex align-content-center")
'''
<div>
--< h4 >
--< p >
--< div >
links = soup.find_all('div', attrs={'class':"article-item-box csdn-tracking-statistics"})
# 获取文章标题信息
print(links[0].h4) # ok
# 获取文章简介信息
print(links[0].div.p)
# 获取文章发表时间、阅读量信息
for child in links[0].div.children:
if len(child) != 3: # 去除空的子标签
continue
print(child.span.text) # print(child.span)
if len(links) > 0:
for link in links:
print(link.next_sibling.next_sibling.next_sibling.next_sibling)
print(link)
print("-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-")
'''
articles_url = set()
links = soup.find_all('div', attrs={'class':"article-item-box csdn-tracking-statistics"})
if len(links) > 0:
for link in links:
try:
if link.attrs['style']: # 去除第一个不属于该博主的链接
continue
except KeyError as e:
articles_url.add(link.h4.a.get('href')) # ******文章链接******
# print(link.h4.a.attrs['href']) #get attrs在此等价
# tmp = link.h4.a.text
# tmp = tmp.replace("原", "")
# tmp = tmp.replace("转", "")
# tmp = tmp.replace("\n", "")
# self.articles_title.add(tmp.replace(" ", "")) # 文章标题
# for child in link.div.children:
# if len(child) != 3: # 去除空的子标签
# continue
# # print(child.span.text) # print(child.span)
# self.article_date.add()
# self.articles = dict(zip(self.articles_url, self.articles_title)) 将两个列表合并为字典
# tmp = self.articles_url.pop()
# print(self.articles_url)
# print("-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-")
return articles_url
'''
第一页:
<li data-page="1" class="ui-pager focus">1</li>
<li class="js-page-next js-page-action ui-pager">下一页</li>
<li class="js-page-last js-page-action ui-pager"></li>
第二页:
<li data-page="2" class="ui-pager focus">2</li>
<li class="js-page-next js-page-action ui-pager ui-pager-disabled">下一页</li>
<li class="js-page-last js-page-action ui-pager ui-pager-disabled"></li>
'''
def get_page_url(self, page_url, soup):
if page_url is None or soup is None:
return None
# https://blog.csdn.net/s2603898260/article/list/1?
# 获取当前页
cur_page = soup.find('li', attrs={'class':"ui-pager focus"}) #attrs={'class':"ui-pager focus"}
print(cur_page)
# 判断是否有下一页
# links = soup.find('li', class_=re.compile(r"js-page-last.+ui-pager-disabled"))
links = soup.find('li', class_="js-page-next js-page-action ui-pager ui-pager-disabled")
if links is None or len(links) == 0:
self.url_page = None
return self.url_page
# 寻找下一页
# TODO:
return self.url_page
def parser(self, page_url, html):
if html is None or page_url is None:
print("html or page_url is None")
return None
soup = BeautifulSoup(html, 'html.parser', from_encoding='utf-8')
articles = self.get_article_urls(page_url, soup)
#new_page = self.get_page_url(page_url, soup)
return articles
三、上述代码用到的知识点:
1. BeautifulSoup Note:
soup = BeautifulSoup(html, 'html.parser', from_encoding='utf-8') # 将html转换为标记树的形式soup
使用find_all()寻找符合属性的所有节点信息:
article_titles = soup.find_all('div', attrs={'class':"article-item-box csdn-tracking-statistics",'data-articleid':"\d+"})
可以使用find()寻找符合属性的第一个节点信息,一般这个节点为大节点.(以下为假设)
如博客的正文节点<div>,可以先通过find找到<div>, 然后在一次遍历其他的节点、寻找所有符合要求的图片等
# find('div',attrs={}).find_all('p',attrs={})
# <div>
# ----< h4 >
# ----< p >
# ----< div >
# ---------< p >
# ---------< p >
# ---------< p > # 获取文章标题信息
print(links[0].h4) # ok
# 获取文章简介信息
print(links[0].div.p)
# 获取文章发表时间、阅读量信息
for child in links[0].div.children:
if len(child) != 3: # 去除空的子标签
continue
# print(child.span.text) #打印节点文本信息
# print(child.span) #打印整个节点信息
打印节点属性信息:
# print(link.h4.a.get('href')) # 文章链接
# print(link.h4.a.attrs['href']) # 文章链接 两个等价
python3 爬虫五大模块之四:网页解析器的更多相关文章
- python3 爬虫五大模块之五:信息采集器
Python的爬虫框架主要可以分为以下五个部分: 爬虫调度器:用于各个模块之间的通信,可以理解为爬虫的入口与核心(main函数),爬虫的执行策略在此模块进行定义: URL管理器:负责URL的管理,包括 ...
- python3 爬虫五大模块之三:网页下载器
Python的爬虫框架主要可以分为以下五个部分: 爬虫调度器:用于各个模块之间的通信,可以理解为爬虫的入口与核心(main函数),爬虫的执行策略在此模块进行定义: URL管理器:负责URL的管理,包括 ...
- python3 爬虫五大模块之二:URL管理器
Python的爬虫框架主要可以分为以下五个部分: 爬虫调度器:用于各个模块之间的通信,可以理解为爬虫的入口与核心(main函数),爬虫的执行策略在此模块进行定义: URL管理器:负责URL的管理,包括 ...
- python3 爬虫五大模块之一:爬虫调度器
Python的爬虫框架主要可以分为以下五个部分: 爬虫调度器:用于各个模块之间的通信,可以理解为爬虫的入口与核心(main函数),爬虫的执行策略在此模块进行定义: URL管理器:负责URL的管理,包括 ...
- 第6章 网页解析器和BeautifulSoup第三方插件
第一节 网页解析器简介作用:从网页中提取有价值数据的工具python有哪几种网页解析器?其实就是解析HTML页面正则表达式:模糊匹配结构化解析-DOM树:html.parserBeautiful So ...
- python 之网页解析器
一.什么是网页解析器 1.网页解析器名词解释 首先让我们来了解下,什么是网页解析器,简单的说就是用来解析html网页的工具,准确的说:它是一个HTML网页信息提取工具,就是从html网页中解析提取出“ ...
- Python 网页解析器
Python 有几种网页解析器? 1. 正则表达式 2.html.parser (Python自动) 3.BeautifulSoup(第三方)(功能比较强大) 是一个HTML/XML的解析器 4.lx ...
- 爬虫笔记(四)------关于BeautifulSoup4解析器与编码
前言:本机环境配置:ubuntu 14.10,python 2.7,BeautifulSoup4 一.解析器概述 如同前几章笔记,当我们输入: soup=BeautifulSoup(response. ...
- Python模块:配置文件解析器configparser
版权声明:本文为博主皮皮http://blog.csdn.net/pipisorry原创文章,未经博主同意不得转载. https://blog.csdn.net/pipisorry/article/d ...
随机推荐
- Dubbo 实现一个Route Factory(用于灰度发布)
Dubbo 可以实现的扩展很多, 官方文档在这: https://dubbo.apache.org/zh/docs/v2.7/dev/impls/ (太简单了....) 下面我们实现一个Route F ...
- WinUI 3学习笔记(2)—— 用ListView来展示集合
在WPF的时代,我们多是使用ListBox和ListView来展示,纵向滚动条显示的集合数据.这两个控件的默认样式,以及对触控的支持,已完全落后于时代.他们两个分别长这样,和Win10及Win11的风 ...
- C语言复习(六)----typedef 的作用
typedef的作用 重命名变量:typedef unsigned int Uint;//可以使用Uint代替unsigned int 定义新的数据类型 typedef struct Books{ c ...
- preg_replace函数/e 模式下的代码执行+一道例题
目录 例一 例二 补充 看一道ctf题-----[BJDCTF2020]ZJCTF,不过如此 参考链接 例一 源码: <?php preg_replace('/(.*)/ei', 'strtol ...
- Spring Cloud Alibaba - Feign
Feign Feign简介 使用Feign实现消费者客户端 使用Feign+Ribbon实现客户端负载均衡 底层的负载均衡策略还是使用Ribbon通过Feign进行调用 Feign的相关配置 ribb ...
- excel的导入与导出---通用版
excel的导入与导出---通用版 web项目关于导入导出的业务场景很常见,最近我就又遇到了这个业务场景.这次将最近半个月做的导入导出总结一下 使用的pom如下,主要还是阿里巴巴的easyexcel依 ...
- Semi-automation Script Based on Sleep
The following script auto login to server 49, send 2 commands and exit from the server. Create a aut ...
- 说说XXE漏洞那些事
想不起来写点啥了,又是摸鱼的一天,看了一些红队大佬们整理的资料,非常精彩,于是一个咸鱼翻身先选了一些简单的小点来写一写个人的感想(后续会继续更新其他内容) 不能说写的是技术分享,因为师傅们的文章珠玉在 ...
- SSH以及ROS远程登录设置保姆级教程
本文用来实现在同一局域网内的两台计算机之间的相互通信,实现一台计算机登录到另一台计算机,本文基于SSH来实现. 1.SSH简介 Secure Shell(SSH)是由 IETF(The Interne ...
- 接入华为应用内支付,验证购买Token接口,返回“rights invalid”
有海外开发者向我们提问:我在应用中集成了华为应用内支付SDK(测试购买订阅型商品),按照文档说明,在服务器去请求验证购买Token接口的时候返回了{"responseCode":& ...