赞
踩
HTML的内容返回给浏览器,浏览器就会解析它,并对它渲染。 HTML 超文本表示语言,设计的初衷就是为了超越普通文本,让文本表现力更强。 XML 扩展标记语言,不是为了代替HTML,而是觉得HTML的设计中包含了过多的格式,承担了一部分数据之外的 任务,所以才设计了XML只用来描述数据。HTML和XML都有结构,使用标记形成树型的嵌套结构。DOM(Document Object Model)来解析这种嵌套树型 结构,浏览器往往都提供了对DOM操作的API,可以用面向对象的方式来操作DOM。
XPath 是一门在 XML 文档中查找信息的语言。XPath 可用来在 XML 文档中对元素和属性进行遍历。工具 XMLQuire win7+需要.NET框架4.0-4.5。 测试XML、XPath
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。
节点选择:
谓语:谓语用来查找某个特定的节点或者包含某个指定的值的节点。 谓语被嵌在方括号中。 谓语就是查询的条件。 即在路径选择时,在中括号内指定查询条件。
XPath(轴节点):轴的意思是相对于当前节点的节点集
步step:步的语法 轴名称::节点测试[谓语]
XPATH实例 :以斜杠开始的称为绝对路径,表示从根开始。 不以斜杆开始的称为相对路径,一般都是依照当前节点来计算。当前节点在上下文环境中,当前节点很可能已经不 是根节点了。 一般为了方便,往往xml如果层次很深,都会使用//来查找节点。
lxml安装:$ pip install lxml
- from lxml import etree
-
-
- with open('./books.xml') as f:
- # print(f.read())
- text = f.read()
- html = etree.HTML(text.encode())
- # print(html)
- print(html.tag)
-
- print(html.xpath('//title')) # 从根节点向下找任意层中title的节点
- print(html.xpath('//book//title'))
- print(html.xpath('//book[@id="bk102"]'))
- print(html.xpath('//book[@id]'))
- print(html.xpath('//@id')) # 取回的是属性
- print(html.xpath('//*[@id]'))
- print(html.xpath('//bookstore/book[1]'))
- print(html.xpath('//bookstore/book[1]/@id')) # ['bk101']
- print(html.xpath('//bookstore/book[last()]/@id')) # last()为最后一个节点
- print(html.xpath('//*[contains(local-name(), "store")]')) # [<Element bookstore at 0x2ce5648>]
- # local-name()为当前标签名字
- print(html.xpath('//bookstore/*')) # 匹配根节点bookstore下的所有子节点,不递归;
- print(html.xpath('//*[@*]')) # 匹配所有有属性的节点
- print(html.xpath('//@*')) # 匹配所有属性
- print(html.xpath('//book/title|//book/price')) # 匹配book节点下title标签或prices标签
- print(html.xpath('//book[position()=2]/@id')) # ['bk102']
- print(html.xpath('//book[price > 40]/@id'))
- print(html.xpath('//book[1]/text()')) # 匹配第一个book节点下所有文本子节点
- print(html.xpath('//book[1]//text()')) # 匹配第一个book节点下所有文本节点
- print(html.xpath('//*[contains(@class,"even")]')) # 匹配属性class中包含even字符串的节点
-
从豆瓣电影中提取“本周口碑榜”:
- import requests
- from lxml import etree # lxml 是c语言的库,效率非常高
- from bs4 import BeautifulSoup
-
- url = 'http://movie.douban.com'
- headers = {'User-agent': "Mozilla/5.0 (Windows NT 6.1) AppleWebKit/537.36 (KHTML, like Gecko) \
- Chrome/55.0.2883.75 Safari/537.36"}
- response = requests.get(url, headers=headers)
-
- with response:
- if response.status_code == 200:
- text = response.text
- html = etree.HTML(text)
- print(html.tag)
-
- titles = html.xpath('//div[@class="billboard-bd"]//a/text()')
- for title in titles:
- print(title)
-
- print("*********************")
BeautifulSoup可以从HTML、XML中提取数据。目前BS4在持续开发。
官方中文文档https://www.crummy.com/software/BeautifulSoup/bs4/doc.zh/
安装:$ pip install beautifulsoup4
BeautifulSoup(markup, "html.parser") 使用Python标准库,容错差且性能一般。BeautifulSoup(markup, "lxml") 容错能力强,速度快。需要安装系统C库。 推荐使用lxml作为解析器,效率高。 请手动指定解析器,以保证代码在所有运行环境中解析器一致。
四种对象
BeautifulSoup将HTML文档解析成复杂的树型结构,每个节点都是Python的对象,可分为4种:
BeautifulSoup、Tag、NavigableString、Comment
BeautifulSoup:代表整个文档。
Tag:它对应着HTML中的标签。有2个常用的属性:
多值属性,对于class属性可能是下面的形式, <h3 class="title highlight">python高级班</h3> ,这 个属性就是多值({'class': ['title', 'highlight']})属性可以被修改、删除
- from lxml import etree # lxml 是c语言的库,效率非常高
- from bs4 import BeautifulSoup
- # from bs4 import Tag
-
-
- # features推荐写清楚
- with open('E:/马哥教育培训资料/slides/chapter16爬虫/test.html', encoding='utf-8') as f:
- soup = BeautifulSoup(f, 'lxml') # str 就是html内容;file-like obj open:'lxml'
- print(0, soup.builder)
- print(1, soup.name)
- print(2, soup.img) # 返回第一个,
- print(3, soup.p) # 深度优先遍历,取第一个
- print(4, soup.p.attrs) # 结果是字典
- print(5, soup.h3.attrs) # 字典
- print(6, soup.h3['class'])
- print(7, soup.h3.get('class'))
- soup.h3['class'] = 'new_class'
- print(8, soup.h3.get('class'))
- print(000, soup.div.name, soup.div.attrs)
- print(9, soup.p.string) # p标签的内容
- print(10, soup.div.contents) # 直接子,包括文本
- print(11, list(soup.div.children)) # 返回子节点的迭代器
-
- print(12, list(soup.div.descendants)) # 返回所有子孙节点的迭代器
- print(list(map(lambda x: x.name if x.name else x, soup.div.descendants))) # 子孙节点
-
- print('************************')
- print(13, "".join(soup.div.strings)) # 拼接,但是换行符还在
- print(14, "".join(soup.div.stripped_strings)) # 连接在一起了
-
- print(15, soup.p.next_sibling)
- print(16, soup.img.get('src'))
- print(17, soup.img['src'])
- print(18, soup.a) # 找不到返回None
- del soup.h3['class'] # 删除属性
- print(19, soup.h3.get('class'))
注意,我们一般不使用上面这种方式来操作HTML,此代码是为了熟悉对象类型
NavigableString:如果只想输出标记内的文本,而不关心标记的话,就要使用NavigableString。
print(soup.div.p.string) # 第一个div下第一个p的字符串;print(soup.p.string) # 同上
Comment :注释对象,这就是HTML中的注释,它被Beautiful Soup解析后对应Comment对象。
遍历字符串 :在前面的例子中,soup.div.string返回None,是因为string要求soup.div只能有一个NavigableString类型子节点, 也就是如这样 <div>only string</div> 。 如果div有很多子孙节点,如何提取字符串?
- print(soup.div.string) # 返回None,因为多于1个子节点
- print("".join(soup.div.strings)) # 返回迭代器,带多余的空白字符
- print("".join(soup.div.stripped_strings)) # 返回迭代器,去除多余空白符
遍历祖先节点:
- print(soup.parent) # None 根节点没有父节点
- print(soup.div.parent.name) # body,第一个div的父节点
- print(soup.p.parent.parent.get('id')) # 取id属性,main
- print(list(map(lambda x: x.name, soup.p.parents))) # 父迭代器,由近及远
遍历兄弟节点:
- print('{} [{}]'.format(1, soup.p.next_sibling)) # 第一个p元素的下一个兄弟节点,注意可能是一个文本节
- 点
- print('{} [{}]'.format(2, soup.p.previous_sibling))
- print(list(soup.p.next_siblings)) # previous_siblings
遍历其他元素 :next_element是下一个可被解析的对象(字符串或tag),和下一个兄弟节点next_sibling不一样
- print(soup.p.next_element) # 返回"字典"2个字
- print(soup.p.next_element.next_element.next_element)
- print(list(soup.p.next_elements))
- from lxml import etree # lxml 是c语言的库,效率非常高
- from bs4 import BeautifulSoup
- # from bs4 import Tag
-
-
- # features推荐写清楚
- with open('E:/马哥教育培训资料/slides/chapter16爬虫/test.html', encoding='utf-8') as f:
- soup = BeautifulSoup(f, 'lxml') # str 就是html内容;file-like obj open:'lxml'
- print(soup.p.next_element) # 返回字典两个字
- print(soup.p.next_element.next_element)
- print(soup.p.next_element.next_element.next_element)
- print(list(soup.p.next_elements))
- print(list(soup.p.next_siblings))
搜索文档树:
name:官方称为filter过滤器,这个参数可以是以下类型:
i.字符串:一个标签名称的字符串,会按照这个字符串全长匹配标签名
print(soup.find_all('p'))
ii.正则表达式对象:按照正则表达式对象的模式匹配标签名
print(soup.find_all(re.compile(r'^h\d'))) # 标签名一h开头后接数字
iii.列表
- print(soup.find_all(['p', 'h1', 'h3']))
- print(soup.find_all(['p', re.compile(r'h\d')]))
IV.True或None:True或None,则find_all返回全部非字符串节点、非注释节点,接胡思Tag标签类型。
- print(soup.list(map(lambda x: x.name, soup.find_all(True))))
- print(soup.list(map(lambda x: x.name, soup.find_all(None))))
- print(soup.list(map(lambda x: x.name, soup.find_all())))
- from lxml import etree # lxml 是c语言的库,效率非常高
- from bs4 import BeautifulSoup
- import re
- from bs4 import Tag
-
-
- # features推荐写清楚
- with open('E:/马哥教育培训资料/slides/chapter16爬虫/test.html', encoding='utf-8') as f:
- soup = BeautifulSoup(f, 'lxml') # str 就是html内容;file-like obj open:'lxml'
-
- values = [True, None, False]
- for value in values:
- all = soup.find_all(value)
- print(type(all[0]))
- print(len(all))
- count = 0
- for i, t in enumerate(soup.descendants):
- print(i, type(t), t.name)
- if isinstance(t, Tag):
- count += 1
- print(count)
V.函数:如果使用以上过滤器还不能提取出想要的节点,可以使用函数,此函数仅只能接收一个参数。 如果这个函数返回True,表示当前节点匹配;返回False则是不匹配。
- from lxml import etree # lxml 是c语言的库,效率非常高
- from bs4 import BeautifulSoup
- import re
- import bs4
-
-
- def many_class(tag: bs4.Tag):
- # print(type(tag))
- # print(tag.attrs)
- return len(tag.attrs.get('class', [])) > 1
-
-
- # features推荐写清楚
- with open('E:/马哥教育培训资料/slides/chapter16爬虫/test.html', encoding='utf-8') as f:
- soup = BeautifulSoup(f, 'lxml') # str 就是html内容;file-like obj open:'lxml'
-
- print(soup.find_all(many_class))
- # [<h3 class="title highlight">python高级班</h3>]
keyword传参:使用关键字传参,如果参数名不是find系函数已定义的位置参数名,参数会被kwargs收集并被当做标签的属性来搜索。属性的传参可以是字符串、正则表达式对象、True、列表。
- print(soup.find_all(id='first')) # id为first的所有节点列表
- print(soup.find_all(id=re.compile('\w+'))) # 相当于找有id的所有节点
- print(soup.find_all(id=True)) # 所有有id的节点
- print(list(map(lambda x:x['id'], soup.find_all(id=True))))
- print(soup.find_all(id=['first', re.compile(r'^sec')])) # 指定id的名称列表
- print(soup.find_all(id=True, src=True)) # 相当于条件and,既有id又有src属性的节点列表
css的class的特殊处理:class是Python关键字,所以使用 class_ 。class是多值属性,可以匹配其中任意一个,也可以完全匹配。
- print(soup.find_all(class_="content"))
- print(soup.find_all(class_="title")) # 可以使用任意一个css类
- print(soup.find_all(class_="highlight")) # 可以使用任意一个css类
- print(soup.find_all(class_="highlight title")) # 顺序错了,找不到
- print(soup.find_all(class_="title highlight")) # 顺序一致,找到,就是字符串完全匹配
attrs参数:attrs接收一个字典,字典的key为属性名,value可以是字符串、正则表达式对象、True、列表。可以多个属性
- print(soup.find_all(attrs={'class':'title'}))
- print(soup.find_all(attrs={'class':'highlight'}))
- print(soup.find_all(attrs={'class':'title highlight'}))
- print(soup.find_all(attrs={'id':True}))
- print(soup.find_all(attrs={'id':re.compile(r'\d$')}))
- print(list(map(lambda x:x.name, soup.find_all(attrs={
- 'id':True, 'src':True
- }))))
text参数:可以通过text参数搜索文档中的字符串内容,接受字符串、正则表达式对象、True、列表
- print(list(map(lambda x: (type(x), x), soup.find_all(text=re.compile('\w+'))))) # 返回文本类节点
- print(list(map(lambda x: (type(x), x), soup.find_all(text=re.compile('[a-z]+')))))
- print(soup.find_all(re.compile(r'^(h|p)'), text=re.compile('[a-z]+'))) # 相当于过滤出Tag对象,并看
- 它的string是否符合text参数的要求,返回Tag对象
limit参数:限制返回结果的数量
print(soup.find_all(id=True, limit=3)) # 返回列表中有3个结果
find_all()是非常常用的方法,可以简化省略掉:
- print(soup('img')) # 所有img标签对象的列表,不等价于soup.img
- print(soup.img) # 深度优先第一个img
- print(soup.a.find_all(text=True)) # 返回文本
- print(soup.a(text=True)) # 返回文本,和上面等价
- print(soup('a', text=True)) # 返回a标签对象
- print(soup.find_all('img', attrs={'id':'bg1'}))
- print(soup('img', attrs={'id':'bg1'})) # find_all的省略
- print(soup('img', attrs={'id':re.compile('1')}))
find方法:find( name , attrs , recursive , text , **kwargs ) 参数几乎和fifind_all一样。 找到了,fifind_all返回一个列表,而fifind返回一个单值,元素对象。 找不到,fifind_all返回一个空列表,而fifind返回一个None。
- print(soup.find('img', attrs={'id':'bg1'}).attrs.get('src', 'magedu'))
- print(soup.find('img', attrs={'id':'bg1'}).get('src')) # 简化了attrs
- print(soup.find('img', attrs={'id':'bg1'})['src'])
CSS选择器 ***
和JQuery一样,可以使用CSS选择器来查找节点,使用soup.select()方法,select方法支持大部分CSS选择器,返回列表。CSS中,标签名直接使用,类名前加.点号,id名前加#井号。
-
- from bs4 import BeautifulSoup
-
-
- # features推荐写清楚
- with open('E:/马哥教育培训资料/slides/chapter16爬虫/test.html', encoding='utf-8') as f:
- soup = BeautifulSoup(f, 'lxml') # str 就是html内容;file-like obj open:'lxml'
-
- # 元素选择器
- print(1, soup.select('p')) # 所有的p标签
- # 类选择器
- print(2, soup.select('.title'))
- # 使用了伪类
- # 直接子标签是p的同类型的所有p标签中的第二个
- # (同类型)同标签名p的第2个,伪类只实现了nth-of-type,且要求是数字
- print(3, soup.select('div.content > p:nth-of-type(2)')) # 只实现了这个伪类
- # id选择器
- print(4, soup.select('p#second'))
- print(5, soup.select('#bg1'))
- # 后代选择器
- print(6, soup.select('div p')) # div下逐层找p
- print(7, soup.select('div div p')) # div下逐层找div下逐层找p
- # 子选择器,直接后代
- print(8, soup.select('div > p')) # div下直接子标签的p,有2个
- # 相邻兄弟选择器
- print(9, soup.select('div p:nth-of-type(1) + [src]')) # 返回[]
- print(9, soup.select('div p:nth-of-type(1) + p')) # 返回[]
- print(9, soup.select('div > p:nth-of-type(2) + input')) # 返回input Tag
- print(9, soup.select('div > p:nth-of-type(2) + [type]')) # 同上
- # 普通兄弟选择器
- print(10, soup.select('div p:nth-of-type(1) ~ [src]')) # 返回2个img
- # 属性选择器
- print(11, soup.select('[src]')) # 有属性src
- print(12, soup.select('[src="/"]')) # 属性src等于/
- print(13, soup.select('[src="http://www.magedu.com/"]')) # 完全匹配
- print(14, soup.select('[src^="http://www"]')) # 以http://www开头
- print(15, soup.select('[src$="com/"]')) # 以com/结尾
- print(16, soup.select('img[src*="magedu"]')) # 包含magedu
- print(17, soup.select('img[src*=".com"]')) # 包含.com
- print(18, soup.select('[class="title highlight"]'))
- print(19, soup.select('[class~=title]')) # 多值属性中有一个title
获取文本内容:
- from bs4 import BeautifulSoup
-
-
- # features推荐写清楚
- with open('E:/马哥教育培训资料/slides/chapter16爬虫/test.html', encoding='utf-8') as f:
- soup = BeautifulSoup(f, 'lxml') # str 就是html内容;file-like obj open:'lxml'
- ele = soup.select('div') # 所有的div标签
- print(ele[0].string, end='\n------------\n') # 内容仅仅只能是文本类型,否则返回None
- print(list(ele[0].strings), end='\n------------\n') # 迭代保留空白字符
- print(list(ele[0].stripped_strings), end='\n------------\n') # 迭代不保留空白字符
- print(ele[0], end='\n------------\n')
- print(ele[0].text, end='\n------------\n') # 本质上就是get_text(),保留空白字符的strings
- print(ele[0].get_text(), end='\n------------\n') # 迭代并join,保留空白字符,strip默认为False
- print(ele[0].get_text(strip=True)) # 迭代并join,不保留空白字符
拿到一个Json字符串,如果想提取其中的部分内容,就需要遍历了。在遍历过程中进行判断。还有一种方式,类似于XPath,叫做JsonPath。安装:$ pip install jsonpath
- import requests
- import simplejson
- from jsonpath import jsonpath
-
-
- url = "https://movie.douban.com/j/search_subjects?type=movie&tag=%E7%83%AD%E9%97%A8&page_limit=50&page_start=0"
-
- headers = {'User-agent': "Mozilla/5.0 (Windows NT 6.1) AppleWebKit/537.36 (KHTML, like Gecko) \
- Chrome/55.0.2883.75 Safari/537.36"}
- response = requests.get(url, headers=headers)
-
- with response:
- text = response.text
- print(type(text), text)
-
- data = simplejson.loads(text)
- print(data)
-
- # //subjects
- # subjects = jsonpath(data, '$..subjects') # 找不到就返回bool的False
- # if isinstance(subjects, list) and len(subjects) == 1:
- # print(subjects)
- # for subject in subjects[0]:
- # print(subject.get['title'])
-
- # //subjects[rate > 8]/title $.subjects[?(@.rate >8)]
- subjects = jsonpath(data, '$.subjects[?(@.rate > "8")].title') # 找不到就返回bool的False
- # if isinstance(subjects, list) and len(subjects) == 1:
- print(subjects)
Copyright © 2003-2013 www.wpsshop.cn 版权所有,并保留所有权利。