day8

时间 2019-12-18

标签 day8 day 繁體版

原文原文链接

课堂笔记:
一、BeautifulSoup 解析库
二、MongoDB 存储库
三、requests-html 请求库

BeautifulSoup
一、什么bs4，为何要使用bs4？
    是一个基于re开发的解析库，能够提供一些强大的解析功能。
    提升提取数据的效率与爬虫开发效率。

二、安装与使用
    pip3 install beautifulsoup4  # 安装bs4
    pip3 install lxml  # 下载lxml解析器

MongoDB 非关系型数据库
一 安装与使用
一、下载安装
    https://www.mongodb.com/download-center/community

二、在C盘建立一个data/db文件夹
    - 数据的存放路径

三、mongod启动服务
    进入终端，输入mongod启动mongoDB服务。

四、mongo进入mongoDB客户端
    打开一个新的终端，输入mongo进入客户端

二 数据库操做

数据库操做:
    切换库:
        SQL：
        use admin; 有则切换，无则报错。

        MongoDB:
        use tank; 有则切换，无则建立，并切换tank库中。

    查数据库:
        SQL:
        show databases;

        MongoDB:
        show dbs;
        显示的数据库若无数据，则不显示。

    删除库:
        SQL:
        drop database

        MongoDB:
        db.dropDatabase()


集合操做:     MySQL中叫作表。
    建立集合:
        SQL:
        create table f1, f2...

        MongoDB:
        # 在当前库中经过.来建立集合
        db.student

    插入数据:
        # 插入多条数据
        db.student.insert([{"name1": "tank1"}, {"name2": "tank2"}])

        # 插入一条
        db.student.insert({"name": "tank"})


    查数据:
        # 查找student集合中全部数据
        db.student.find({})

        # 查一条 查找name为tank的记录
        db.student.find({"name":"tank"})

三 python连接MongoDB
一、下载第三方模块pymongo
    pip3 install pymongo

二、连接mongoDB客户端
    client = MongoClient('localhost', 27017)

做业:
一、整理课堂内容，并写博客

二、基于豌豆荚爬取剩下的简介截图图片地址、网友评论

三、把豌豆荚爬取的数据插入mongoDB中
    - 建立一个wandoujia库
        - 把主页的数据存放一个名为index集合中
        - 把详情页的数据存放一个名为detail集合中

解析库之bs4

 1 ''''''
 2 '''
 3 pip3 install beautifulsoup4  # 安装bs4
 4 pip3 install lxml  # 下载lxml解析器
 5 '''
 6 html_doc = """
 7 <html><head><title>The Dormouse's story</title></head>
 8 <body>
 9 <p class="sister"><b>$37</b></p>
10 <p class="story" id="p">Once upon a time there were three little sisters; and their names were
11 <a href="http://example.com/elsie" class="sister" >Elsie</a>,
12 <a href="http://example.com/lacie" class="sister" id="link2">Lacie</a> and
13 <a href="http://example.com/tillie" class="sister" id="link3">Tillie</a>;
14 and they lived at the bottom of a well.</p>
15 
16 <p class="story">...</p>
17 """
18 
19 # 从bs4中导入BeautifulSoup
20 from bs4 import BeautifulSoup
21 
22 # 调用BeautifulSoup实例化获得一个soup对象
23 # 参数一: 解析文本
24 # 参数二:
25 # 参数二: 解析器（html.parser、lxml...）
26 soup = BeautifulSoup(html_doc, 'lxml')
27 
28 print(soup)
29 print('*' * 100)
30 print(type(soup))
31 print('*' * 100)
32 # 文档美化
33 html = soup.prettify()
34 print(html)

bs4之遍历文档树html

 1 html_doc = """<html><head><title>The Dormouse's story</title></head><body><p class="sister"><b>$37</b></p><p class="story" id="p">Once upon a time there were three little sisters; and their names were<b>tank</b><a href="http://example.com/elsie" class="sister" >Elsie</a>,<a href="http://example.com/lacie" class="sister" id="link2">Lacie</a> and<a href="http://example.com/tillie" class="sister" id="link3">Tillie</a>;and they lived at the bottom of a well.<hr></hr></p><p class="story">...</p>"""
 2 
 3 from bs4 import BeautifulSoup
 4 soup = BeautifulSoup(html_doc, 'lxml')
 5 
 6 '''
 7 遍历文档树：
 8     一、直接使用
 9     二、获取标签的名称
10     三、获取标签的属性
11     四、获取标签的内容
12     五、嵌套选择
13     六、子节点、子孙节点
14     七、父节点、祖先节点
15     八、兄弟节点
16 '''
17 
18 # 一、直接使用
19 print(soup.p)  # 查找第一个p标签
20 print(soup.a)  # 查找第一个a标签
21 
22 # 二、获取标签的名称
23 print(soup.head.name)  # 获取head标签的名称
24 
25 # 三、获取标签的属性
26 print(soup.a.attrs)  # 获取a标签中的全部属性
27 print(soup.a.attrs['href'])  # 获取a标签中的href属性
28 
29 # 四、获取标签的内容
30 print(soup.p.text)  # $37
31 
32 # 五、嵌套选择
33 print(soup.html.head)
34 
35 # 六、子节点、子孙节点
36 print(soup.body.children)  # body全部子节点，返回的是迭代器对象
37 print(list(soup.body.children))  # 强转成列表类型
38 
39 print(soup.body.descendants)  # 子孙节点
40 print(list(soup.body.descendants))  # 子孙节点
41 
42 #  七、父节点、祖先节点
43 print(soup.p.parent)  # 获取p标签的父亲节点
44 # 返回的是生成器对象
45 print(soup.p.parents)  # 获取p标签全部的祖先节点
46 print(list(soup.p.parents))
47 
48 # 八、兄弟节点
49 # 找下一个兄弟
50 print(soup.p.next_sibling)
51 # 找下面全部的兄弟，返回的是生成器
52 print(soup.p.next_siblings)
53 print(list(soup.p.next_siblings))
54 
55 # 找上一个兄弟
56 print(soup.a.previous_sibling)  # 找到第一个a标签的上一个兄弟节点
57 # 找到a标签上面的全部兄弟节点
58 print(soup.a.previous_siblings)  # 返回的是生成器
59 print(list(soup.a.previous_siblings))

bs4之搜索文档树python

 1 ''''''
 2 html_doc = """<html><head><title>The Dormouse's story</title></head><body><p class="sister"><b>$37</b></p><p class="story" id="p">Once upon a time there were three little sisters; and their names were<b>tank</b><a href="http://example.com/elsie" class="sister" >Elsie</a>,<a href="http://example.com/lacie" class="sister" id="link2">Lacie</a> and<a href="http://example.com/tillie" class="sister" id="link3">Tillie</a>;and they lived at the bottom of a well.<hr></hr></p><p class="story">...</p>"""
 3 '''
 4 搜索文档树:
 5     find()  找一个  
 6     find_all()  找多个
 7     
 8 标签查找与属性查找:
 9     标签:
10             name 属性匹配
11             attrs 属性查找匹配
12             text 文本匹配
13             
14         - 字符串过滤器   
15             字符串全局匹配
16 
17         - 正则过滤器
18             re模块匹配
19 
20         - 列表过滤器
21             列表内的数据匹配
22 
23         - bool过滤器
24             True匹配
25 
26         - 方法过滤器
27             用于一些要的属性以及不须要的属性查找。
28 
29     属性:
30         - class_
31         - id
32 '''
33 
34 from bs4 import BeautifulSoup
35 soup = BeautifulSoup(html_doc, 'lxml')
36 
37 # # 字符串过滤器
38 # # name
39 # p_tag = soup.find(name='p')
40 # print(p_tag)  # 根据文本p查找某个标签
41 # # 找到全部标签名为p的节点
42 # tag_s1 = soup.find_all(name='p')
43 # print(tag_s1)
44 #
45 #
46 # # attrs
47 # # 查找第一个class为sister的节点
48 # p = soup.find(attrs={"class": "sister"})
49 # print(p)
50 # # 查找全部class为sister的节点
51 # tag_s2 = soup.find_all(attrs={"class": "sister"})
52 # print(tag_s2)
53 #
54 #
55 # # text
56 # text = soup.find(text="$37")
57 # print(text)
58 #
59 #
60 # # 配合使用:
61 # # 找到一个id为link二、文本为Lacie的a标签
62 # a_tag = soup.find(name="a", attrs={"id": "link2"}, text="Lacie")
63 # print(a_tag)
64 
65 
66 
67 # # 正则过滤器
68 # import re
69 # # name
70 # p_tag = soup.find(name=re.compile('p'))
71 # print(p_tag)
72 
73 # 列表过滤器
74 # import re
75 # # name
76 # tags = soup.find_all(name=['p', 'a', re.compile('html')])
77 # print(tags)
78 
79 # - bool过滤器
80 # True匹配
81 # 找到有id的p标签
82 # p = soup.find(name='p', attrs={"id": True})
83 # print(p)
84 
85 # 方法过滤器
86 # 匹配标签名为a、属性有id没有class的标签
87 # def have_id_class(tag):
88 #     if tag.name == 'a' and tag.has_attr('id') and tag.has_attr('class'):
89 #         return tag
90 #
91 # tag = soup.find(name=have_id_class)
92 # print(tag)

 1 '''
 2 主页:
 3     图标地址、下载次数、大小、详情页地址
 4 
 5 详情页:
 6     游戏名、图标名、好评率、评论数、小编点评、简介、网友评论、1-5张截图连接地址、下载地址
 7 https://www.wandoujia.com/wdjweb/api/category/more?catId=6001&subCatId=0&page=1&ctoken=FRsWKgWBqMBZLdxLaK4iem9B
 8 
 9 https://www.wandoujia.com/wdjweb/api/category/more?catId=6001&subCatId=0&page=2&ctoken=FRsWKgWBqMBZLdxLaK4iem9B
10 
11 https://www.wandoujia.com/wdjweb/api/category/more?catId=6001&subCatId=0&page=3&ctoken=FRsWKgWBqMBZLdxLaK4iem9B
12 
13 32
14 '''
15 import requests
16 from bs4 import BeautifulSoup
17 # 一、发送请求
18 def get_page(url):
19     response = requests.get(url)
20     return response
21 
22 # 二、开始解析
23 # 解析主页
24 def parse_index(data):
25     soup = BeautifulSoup(data, 'lxml')
26 
27     # 获取全部app的li标签
28     app_list = soup.find_all(name='li', attrs={"class": "card"})
29     for app in app_list:
30         # print('tank *' * 1000)
31         # print(app)
32         # 图标地址
33         img = app.find(name='img').attrs['data-original']
34         print(img)
35 
36         # 下载次数
37         down_num = app.find(name='span', attrs={"class": "install-count"}).text
38         print(down_num)
39 
40         import re
41         # 大小
42         size = soup.find(name='span', text=re.compile("\d+MB")).text
43         print(size)
44 
45         # 详情页地址
46         detail_url = soup.find(name='a', attrs={"class": "detail-check-btn"}).attrs['href']
47         print(detail_url)
48 
49 
50 def main():
51     for line in range(1, 33):
52         url = f"https://www.wandoujia.com/wdjweb/api/category/more?catId=6001&subCatId=0&page={line}&ctoken=FRsWKgWBqMBZLdxLaK4iem9B"
53 
54         # 一、往app接口发送请求
55         response = get_page(url)
56         # print(response.text)
57         print('*' * 1000)
58         # 反序列化为字典
59         data = response.json()
60         # 获取接口中app标签数据
61         app_li = data['data']['content']
62         # print(app_li)
63         # 二、解析app标签数据
64         parse_index(app_li)
65 
66 
67 if __name__ == '__main__':
68     main()

  1 '''
  2 主页:
  3     图标地址、下载次数、大小、详情页地址
  4 
  5 详情页:
  6     游戏名、好评率、评论数、小编点评、下载地址、简介、网友评论、1-5张截图连接地址、
  7 https://www.wandoujia.com/wdjweb/api/category/more?catId=6001&subCatId=0&page=1&ctoken=FRsWKgWBqMBZLdxLaK4iem9B
  8 
  9 https://www.wandoujia.com/wdjweb/api/category/more?catId=6001&subCatId=0&page=2&ctoken=FRsWKgWBqMBZLdxLaK4iem9B
 10 
 11 https://www.wandoujia.com/wdjweb/api/category/more?catId=6001&subCatId=0&page=3&ctoken=FRsWKgWBqMBZLdxLaK4iem9B
 12 
 13 32
 14 '''
 15 import requests
 16 from bs4 import BeautifulSoup
 17 # 一、发送请求
 18 def get_page(url):
 19     response = requests.get(url)
 20     return response
 21 
 22 # 二、开始解析
 23 # 解析详情页
 24 def parse_detail(text):
 25     soup = BeautifulSoup(text, 'lxml')
 26     # print(soup)
 27 
 28     # app名称
 29     name = soup.find(name="span", attrs={"class": "title"}).text
 30     # print(name)
 31 
 32     # 好评率
 33     love = soup.find(name='span', attrs={"class": "love"}).text
 34     # print(love)
 35 
 36     # 评论数
 37     commit_num = soup.find(name='a', attrs={"class": "comment-open"}).text
 38     # print(commit_num)
 39 
 40     # 小编点评
 41     commit_content = soup.find(name='div', attrs={"class": "con"}).text
 42     # print(commit_content)
 43 
 44     # app下载连接
 45     download_url = soup.find(name='a', attrs={"class": "normal-dl-btn"}).attrs['href']
 46     # print(download_url)
 47 
 48     print(
 49         f'''
 50         ============= tank ==============
 51         app名称:{name}
 52         好评率: {love}
 53         评论数: {commit_num}
 54         小编点评: {commit_content}
 55         app下载连接: {download_url}
 56         ============= end ==============
 57         '''
 58     )
 59 
 60 
 61 
 62 # 解析主页
 63 def parse_index(data):
 64     soup = BeautifulSoup(data, 'lxml')
 65 
 66     # 获取全部app的li标签
 67     app_list = soup.find_all(name='li', attrs={"class": "card"})
 68     for app in app_list:
 69         # print(app)
 70         # print('tank' * 1000)
 71         # print('tank *' * 1000)
 72         # print(app)
 73         # 图标地址
 74         # 获取第一个img标签中的data-original属性
 75         img = app.find(name='img').attrs['data-original']
 76         print(img)
 77 
 78         # 下载次数
 79         # 获取class为install-count的span标签中的文本
 80         down_num = app.find(name='span', attrs={"class": "install-count"}).text
 81         print(down_num)
 82 
 83         import re
 84         # 大小
 85         # 根据文本正则获取到文本中包含 数字 + MB（\d+表明数字）的span标签中的文本
 86         size = soup.find(name='span', text=re.compile("\d+MB")).text
 87         print(size)
 88 
 89         # 详情页地址
 90         # 获取class为detail-check-btn的a标签中的href属性
 91         # detail_url = soup.find(name='a', attrs={"class": "name"}).attrs['href']
 92         # print(detail_url)
 93 
 94         # 详情页地址
 95         detail_url = app.find(name='a').attrs['href']
 96         print(detail_url)
 97 
 98         # 三、往app详情页发送请求
 99         response = get_page(detail_url)
100 
101         # 四、解析app详情页
102         parse_detail(response.text)
103 
104 
105 def main():
106     for line in range(1, 33):
107         url = f"https://www.wandoujia.com/wdjweb/api/category/more?catId=6001&subCatId=0&page={line}&ctoken=FRsWKgWBqMBZLdxLaK4iem9B"
108 
109         # 一、往app接口发送请求
110         response = get_page(url)
111         # print(response.text)
112         print('*' * 1000)
113         # 反序列化为字典
114         data = response.json()
115 
116         # 获取接口中app标签数据
117         app_li = data['data']['content']
118         # print(app_li)
119         # 二、解析app标签数据
120         parse_index(app_li)
121 
122 
123 if __name__ == '__main__':
124     main()

 1 from pymongo import MongoClient
 2 
 3 # 一、连接mongoDB客户端
 4 # 参数1: mongoDB的ip地址
 5 # 参数2: mongoDB的端口号 默认:27017
 6 client = MongoClient('localhost', 27017)
 7 # print(client)
 8 
 9 # 二、进入tank_db库,没有则建立
10 # print(client['tank_db'])
11 
12 # 三、建立集合
13 # print(client['tank_db']['people'])
14 
15 # 四、给tank_db库插入数据
16 
17 # 1.插入一条
18 # data1 = {
19 #     'name': 'tank',
20 #     'age': 18,
21 #     'sex': 'male'
22 # }
23 # client['tank_db']['people'].insert(data1)
24 
25 # 2.插入多条
26 # data1 = {
27 #     'name': 'tank',
28 #     'age': 18,
29 #     'sex': 'male'
30 # }
31 # data2 = {
32 #     'name': '戚志云',
33 #     'age': 84,
34 #     'sex': 'female'
35 # }
36 # data3 = {
37 #     'name': '沈金金',
38 #     'age': 73,
39 #     'sex': 'male'
40 # }
41 # client['tank_db']['people'].insert([data1, data2, data3])
42 #
43 # # 五、查数据
44 # # 查看全部数据
45 # data_s = client['tank_db']['people'].find()
46 # print(data_s)  # <pymongo.cursor.Cursor object at 0x000002EEA6720128>
47 # # 须要循环打印全部数据
48 # for data in data_s:
49 #     print(data)
50 #
51 # # 查看一条数据
52 # data = client['tank_db']['people'].find_one()
53 # print(data)
54 
55 # 官方推荐使用
56 # 插入一条insert_one
57 # client['tank_db']['people'].insert_one()
58 # 插入多条insert_many
59 # client['tank_db']['people'].insert_many()