网络爬虫之数据解析方式

Python网络爬虫之数据解析方式

正则解析

单字符： . : 除换行之外全部字符 [] ：[aoe] [a-w] 匹配集合中任意一个字符 \d ：数字 [0-9] \D : 非数字 \w ：数字、字母、下划线、中文 \W : 非\w \s ：全部的空白字符包,括空格、制表符、换页符等等。等价于 [ \f\n\r\t\v]。 \S : 非空白 数量修饰： * : 任意屡次 >=0 + : 至少1次 >=1 ? : 无关紧要 0次或者1次 {m} ：固定m次 hello{3,} {m,} ：至少m次 {m,n} ：m-n次 边界： $ : 以某某结尾 ^ : 以某某开头 分组： (ab) 贪婪模式 .* 非贪婪（惰性）模式 .*? re.I : 忽略大小写 re.M ：多行匹配 re.S ：单行匹配 re.sub(正则表达式, 替换内容, 字符串) 

xpath解析

from lxml import etree 两种方式使用：将html文档变成一个对象，而后调用对象的方法去查找指定的节点 （1）本地文件 tree = etree.parse(文件名) （2）网络文件 tree = etree.HTML(网页字符串) ret = tree.xpath(路径表达式) 【注】ret是一个列表 　　参考文献：http://www.w3school.com.cn/xpath/xpath_intro.asp 　　- 安装xpath插件：能够在插件中直接执行xpath表达式 　　　　1.将xpath插件拖动到谷歌浏览器拓展程序（更多工具）中，安装成功 　　　　2.启动和关闭插件 ctrl + shift + x 

- 经常使用表达式： 　　/bookstore/book 选取根节点bookstore下面全部直接子节点book //book 选取全部book /bookstore//book 查找bookstore下面全部的book /bookstore/book[1] bookstore里面的第一个book /bookstore/book[last()] bookstore里面的最后一个book /bookstore/book[position()<3] 前两个book //title[@lang] 全部的带有lang属性的title节点 //title[@lang='eng'] 全部的lang属性值为eng的title节点 属性定位 //li[@id="hua"] //div[@class="song"] 层级定位&索引 //div[@id="head"]/div/div[2]/a[@class="toindex"] 【注】索引从1开始 //div[@id="head"]//a[@class="toindex"] 【注】双斜杠表明下面全部的a节点，无论位置 逻辑运算 //input[@class="s_ipt" and @name="wd"] 模糊匹配 ： contains //input[contains(@class, "s_i")] 全部的input，有class属性，而且属性中带有s_i的节点 //input[contains(text(), "爱")] starts-with //input[starts-with(@class, "s")] 全部的input，有class属性，而且属性以s开头 取文本 //div[@id="u1"]/a[5]/text() 获取节点内容 //div[@id="u1"]//text() 获取节点里面不带标签的全部内容 取属性 //div[@id="u1"]/a[5]/@href 

- 代码中使用xpath： 　　　　1.导包：from lxml import etree 　　　　2.将html文档或者xml文档转换成一个etree对象，而后调用对象中的方法查找指定的节点 　　　　　　2.1 本地文件：tree = etree.parse(文件名) 　　　　　　2.2 网络数据：tree = etree.HTML(网页内容字符串) 　　- 综合练习： 　　　　需求：获取好段子中段子的内容和做者 http://www.haoduanzi.com 

from lxml import etree
import requests

url='http://www.haoduanzi.com/category-10_2.html'
headers = {
        'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/66.0.3359.181 Safari/537.36',
    }
url_content=requests.get(url,headers=headers).text
#使用xpath对url_conten进行解析 #使用xpath解析从网络上获取的数据 tree=etree.HTML(url_content) #解析获取当页全部段子的标题 title_list=tree.xpath('//div[@class="log cate10 auth1"]/h3/a/text()') ele_div_list=tree.xpath('//div[@class="log cate10 auth1"]') text_list=[] #最终会存储12个段子的文本内容 for ele in ele_div_list: #段子的文本内容（是存放在list列表中） text_list=ele.xpath('./div[@class="cont"]//text()') #list列表中的文本内容所有提取到一个字符串中 text_str=str(text_list) #字符串形式的文本内容防止到all_text列表中 text_list.append(text_str) print(title_list) print(text_list)