目录

一、XPath解析数据

1、XPath解析数据

2、XML的树形结构

3、使用XPath选取节点

4、课堂案例 - 爬取起点小说网

二、BeautifulSoup解析数据

1、BeautifulSoup

2、BeautifulSoup的使用

3、使用BeautifulSoup爬取淘宝网首页

三、正则表达式

1、正则表达式

2、正则语法

3、特殊序列

4、正则处理函数

5、课堂案例（下载糗事百科小视频）

6、课外案例

四、pyquery解析数据

1、pyquery

2、pyquery的初始化方式

3、pyquery的使用

4、课堂案例（爬取起点小说网）

一、XPath解析数据

1、XPath解析数据

• XPath
  • 全称：XML Path Language是一种小型的查询语言
  • 是一门在XML文档中查找信息的语言
• XPath的优点
  • 可在XML中查找信息
  • 支持HTML的查找
  • 可通过元素和属性进行导航
• XPath需要依赖lxml库
  • 安装方式： pip install lxml

2、XML的树形结构

3、使用XPath选取节点

4、课堂案例 - 爬取起点小说网

• 下载谷歌浏览器XPath插件
• 安装XPath插件
• 使用XPath

import requestsfrom lxml import etreeurl="https://www.qidian.com/rank/yuepiao"headers={"user-agent": "Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/89.0.4389.114 Safari/537.36"}# 发送请求resp=requests.get(url,headers)e=etree.HTML(resp.text)     # 类型转换,把str类型转换成class "lxml.etree._Element"# print(type(e))        # names=e.xpath("//div[@class="book-mid-info"]/h4/a/text()")  # 获取小说名称authors=e.xpath("//p[@class="author"]/a[1]/text()")         # 获取小说作者# print(names)        # ["大奉打更人", "这个人仙太过正经", "从红月开始", "稳住别浪", 。。。]# print(authors)      # ["卖报小郎君", "言归正传", "黑山老鬼", "跳舞", "我最白",  。。。]for name,author in zip(names,authors):    print(name, ":", author)# 大奉打更人 : 卖报小郎君# 这个人仙太过正经 : 言归正传# 从红月开始 : 黑山老鬼# 稳住别浪 : 跳舞# ...    ...

二、BeautifulSoup解析数据

1、BeautifulSoup

• BeautifulSoup
  • 是一个可以从HTML或XML文件中提取数据的Python库。其功能简单而强大、容错能力强、文档相对完善，清晰易懂
  • 非Python标准模块，需要安装才能使用
• 安装方式
  • pip install bs4
• 测试方式
  • import bs4
• 解析器
  • BeautifulSoup支持Python标准库中的HTML解析器，还支持一些第三方的解析器，如果不安装第三方解析器，则Python会使用默认浏览器

from bs4 import BeautifulSouphtml="""                                                 
早起对自己说：我真美！
            百度            
            """# bs=BeautifulSoup(html, "html.parser")bs=BeautifulSoup(html, "lxml")print(bs.title)     # 获取标题         print(bs.h1.attrs)    # 获取h1标签的所有属性   {"class": ["info", "bg"], "float": "left"}# 获取单个属性print(bs.h1.get("class"))       # ["info", "bg"]print(bs.h1["class"])           # ["info", "bg"]print(bs.a["href"])             # http://www.baidu.com# 获取文本内容print(bs.title.text)            # 今天又是美好的一天print(bs.title.string)          # 今天又是美好的一天# 获取内容print("-----", bs.h2.string)       # ----- 注释的内容print("-----", bs.h2.text)         # -----# string可以获取注释的内容，但是text不能获取注释内容

2、BeautifulSoup的使用

• BeautifulSoup提取数据的常用方法

• CSS选择题

• Tag对象

from bs4 import BeautifulSouphtml="""        
今天又是美好的一天
   
      好好学习，天天向上      百度   
   人生苦短，唯有爱情"""bs=BeautifulSoup(html, "lxml")print(bs.title, type(bs.title))      # 获取标题及其类型#  print(bs.find("div",class_="info"), type(bs.find("div",class_="info")))     # 获取第一个满足条件的标签# 
今天又是美好的一天
 print(bs.find_all("div", class_="info"))    # 得到的是一个标签的列表# [
今天又是美好的一天
, 
# 好好学习，天天向上# 百度# 
]for item in bs.find_all("div",class_="info"):    print(item, type(item))print(bs.find_all("div", attrs={"float":"right"}))  # 得到属性为"float":"right"的div标签print("---------------CSS选择器---------------------")print(bs.select("#gb"))print(bs.select(".info"))print(bs.select("div>span"))    # [好好学习，天天向上]print(bs.select("div.info>span"))    # [好好学习，天天向上]for item in bs.select("div.info>span"):    print(item.text)    # 好好学习，天天向上

3、使用BeautifulSoup爬取淘宝网首页

import requestsfrom bs4 import BeautifulSoupurl="https://www.taobao.com/"headers={"user-agent": "Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/89.0.4389.114 Safari/537.36"}resp=requests.get(url,headers)# print(resp.text)        # ... ...bs=BeautifulSoup(resp.text,"lxml")a_list=bs.find_all("a")# print(len(a_list))      # 128for a in a_list:    url=a.get("href")    # print(url)    if url==None:        continue    if url.startswith("http") or url.startswith("https"):        print(url)

三、正则表达式

1、正则表达式

• 是一个特殊的字符序列，它能帮助用户便捷地检查一个字符串是否与某种模式匹配
• Python的正则模块是re，是Python的内置模块，不需要安装，导入即可

2、正则语法

3、特殊序列

4、正则处理函数

import res = "I study Python3.8 every day"print("--------match方法，从起始位置开始匹配--------")print(re.match("I", s).group())     # Iprint(re.match("/w", s).group())    # Iprint(re.match(".", s).group())     # Iprint("--------search方法，从任意位置开始匹配，匹配第一个--------")print(re.search("study", s).group())    # studyprint(re.search("s/w", s).group())      # stprint("--------findall方法，从任意位置开始匹配，匹配多个--------")print(re.findall("y", s))           # 结果为数组   ["y", "y", "y", "y"]print(re.findall("Python", s))      # ["Python"]print(re.findall("P/w+./d", s))     # ["Python3.8"]print(re.findall("P.+/d", s))     # ["Python3.8"]print("--------sub方法的使用，替换功能--------")print(re.sub("study", "like", s))     # 将study替换成like   I like Python3.8 every dayprint(re.sub("s/w+", "like", s))     #  I like Python3.8 every day

5、课堂案例（下载糗事百科小视频）

• 请求的url
  • 最新视频 - 糗事百科

爬取数据时，一定要记得先找F12代码，看看和爬取的数据是否一致，若一致，则可直接提取。

import reimport requestsurl="http://www.qiushibaike.com/video/"headers={"user-agent": "Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/89.0.4389.114 Safari/537.36"}resp=requests.get(url,headers=headers)# print(resp.text)# 先随便找一个视频，看是否能提取到。单引号中的单引号用/转义：/".../"# info=re.findall("", resp.text)# print(info)     # [""]info=re.findall("", resp.text)# print(info)     # 给出所有URL的相对位置的数组lst=[]for item in info:    lst.append("https:"+item)# print(lst)# 循环count=0for item in lst:    count+=1    resp=requests.get(item, headers=headers)    # 转成二进制存储    with open("video/"+str(count)+".mp4", "wb") as file:        file.write(resp.content)print("视频下载完毕")

6、课外案例

用正则表达式提取51job网页中的信息

import requestsimport refrom pandas import DataFrame # 网址url = "https://search.51job.com/list/000000,000000,0000,32,9,99,Java%25E5%25BC%2580%25E5%258F%2591,2,1.html"# 获得网页对象res = requests.get(url)# 设置编码格式res.encoding = "gbk" # 职位名# 将要提取的用(.*)表示，每条数据不同的地方用.*表示position_pat = ""  position = re.findall(position_pat, res.text) # 公司名company_pat = ".*"company = re.findall(company_pat, res.text) # 工作地点place_pat = "
.*?(.*?)"  # 非贪婪模式place = re.findall(place_pat, res.text, re.S) # 薪资salary_pat = "
.*?(.*?)"  # 非贪婪模式salary = re.findall(salary_pat, res.text, re.S) # 将取出的信息放到数据框jobInfo = DataFrame([position, company, place, salary]).T# 设置列名jobInfo.columns = ["职位名", "公司名", "工作地点", "薪资"]print(jobInfo.head()) # 将数据保存到本地jobInfo.to_csv("51job2.csv")

四、pyquery解析数据

1、pyquery

• pyquery库是jQuery的Python实现，就能以jQuery的语法来操作解析HTML文档，易用性和解析速度都很好
• 前提条件：
  • 你对CSS选择器与jQuery有所了解
• 非Python标准模块，需要安装
  • 安装方式
    • pip install pyquery
  • 测试方式
    • import pyquery

2、pyquery的初始化方式

• 字符串方式

• url方式

• 文件

# 字符串方式from pyquery import PyQuery as pyhtml="""                                             
PyQuery
           """doc=py(html)    # 创建PyQuery的对象，实际上就是在进行一个类型转换，将str类型转成PyQuery类型print(doc)              # 和html一样的内容print(type(doc))        # print(type(html))       # print(doc("title"))     # 

# url方式from pyquery import PyQuerydoc=PyQuery(url="http://www.baidu.com", encoding="utf-8")print(doc)              # 获取htmlprint(doc("title"))     # 

# 文件from pyquery import PyQuerydoc=PyQuery(filename="a1.html")print(doc)           # 获取htmlprint(doc("h1"))     # 
PyQuery

3、pyquery的使用

from pyquery import PyQueryhtml="""                                                    
                百度                
百度一下
            
            
Python学习
            """doc=PyQuery(html)# 获取当前节点print(doc("#main"))      # 获取整个div# 获取父节点print(doc("#main").parent())      # 获取整个body# 获取子节点print(doc("#main").children())    # 获取和
# # 获取兄弟节点print(doc("#main").siblings())      # 获取
print("----------获取属性------------")print(doc("a").attr("href"))     # http://www.baidu.comprint("----------获取标签的内容------------")print(doc("#main").html())        #  获取和
，div中的所有都获取到了print(doc("#main").text())          #  百度  百度一下， 只获取了div中的文本

import requestsfrom pyquery import PyQueryurl="https://www.qidian.com/rank/yuepiao"headers={"user-agent": "Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/89.0.4389.114 Safari/537.36"}resp=requests.get(url,headers)# print(resp.text)# 初始化PyQuery对象doc=PyQuery(resp.text)      # 使用字符串初始化方式初始化PyQuery对象# a_tag=doc("h4 a")       # 获取h4的a标签# print(a_tag)names=[a.text for a in doc("h4 a")]# print(names)        # ["大奉打更人", "这个人仙太过正经", "从红月开始", "稳住别浪",....]authors = doc("p.author a")       # 找
下的标签# print(authors)authors_lst=[]for index in range(len(authors)):    if index%2==0:        authors_lst.append(authors[index].text)# print(authors_lst)      # ["卖报小郎君", "言归正传", "黑山老鬼", "跳舞", "我最白", "白驹易逝", ...]for name,author in zip(names,authors_lst):    print(name, ":", author)# 大奉打更人 : 卖报小郎君# 这个人仙太过正经 : 言归正传# 从红月开始 : 黑山老鬼# 稳住别浪 : 跳舞# ... ...