聚焦爬虫的数据解析

短命女 2023-08-17 16:53 9阅读 0赞

## requests ##

requests:网络请求的模块,模拟浏览器发请求的
    
    - 编码流程:
    　　- 指定url
    　　- 发起了请求
    　　- 获取响应数据
    　　- 数据解析
    　　- 持久化存储
    
    安装
        pip install requests

#### 概念补充 ####

- 反爬
        - robots
        - UA伪装
            - 请求载体的身份标识 User_Agent
            - 在headers种应用一个字典（请求头信息：UA）
            headers = {
        'User-Agent':'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/70.0.3538.77 Safari/537.36'
    }
    
    - 动态加载的数据
        - 验证我们要爬取的数据,是否为当前页面动态加载出来的?
            - 是:直接爬取不到
            - 不是:可以直接爬取
        - 如何验证页面中的局部数据是否为动态加载呢?
            - 首先在页面中复制一部分的页面内容,然后在通过抓包工具定位到url指定的数据包,在数据包的response中进行刚才复制内容的搜索,搜索到则表示没有动态加载,否则为动态加载!!!
        - 如何处理动态请求参数：
            - 封装到一个字典中，字典需要作用到data或者params

## 简单get请求实例 ##

#爬取搜狗首页的页面源码数据
    import requests
    # 1指定url
    url = 'https://www.sogou.com/'
    # 2发起请求:返回值是一个response
    response = requests.get(url=url)
    # 3.获取响应数据:text返回的字符串形式的响应数据(页面源码数据)
    page_text = response.text
    # 4.持久化存储
    with open('sogou.html','w',encoding='utf-8') as fp:
        fp.write(page_text)

案例：爬取豆瓣电影排名

import requests
    
    url = "https://movie.douban.com/j/chart/top_list"
    
    headers = {
        "User-Agent":"Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/77.0.3861.0 Safari/537.36 Edg/77.0.230.2"
    }
    
    for start in range(0,200,20):
        data = {
            'type': '11',
            'interval_id': '100:90',
            'action': "",
            'start': start,
            'limit': '20'
        }
        movie_data = requests.post(url=url,data=data,headers=headers).json()
        for movie in movie_data:
            score = movie["rating"][0]
            title = movie["title"]
            num = movie["rank"]
            print("评分："+score,"名字："+title, num)

![1614698-20190808145937205-2034404456.png][]

## 数据解析 ##

**--  是为了实现聚焦爬虫**

- 数据解析的作用
        - 用于获取页面中局部的页面源码数据
    
    - 如何实现数据解析
        - 正则
        - bs4（python独有）
        - xpath（最为通用）
        - pyquery
    
    - 数据解析的通用原理是什么？
        - 标签定位
        - 将标签中间存储的文本数据或者其属性值进行捕获

## 正则 ##

import requests
    import os
    import re
    from urllib import request
    headers = {
        "User-Agent":"Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/77.0.3861.0 Safari/537.36 Edg/77.0.230.2"
    }
    
    # 封装一个通用的url模板
    url = 'https://www.qiushibaike.com/pic/page/%d/'
    dirname = './糗事百科图片'
    # 如果没有文件夹，新建文件夹
    if not os.path.exists(dirname):
        os.mkdir(dirname)
        
    for page in range(1,4):
        print("正在爬取第{}页的数据".format(page))
        new_url = format(url%page)
        page_text = requests.get(url=new_url,headers=headers).text
        # 数据解析
        ex = '<div class="thumb">.*?<img src="(.*?)" alt=.*?</div>'
        # 匹配出所有的数据
        img_src_list = re.findall(ex,page_text,re.S) # re.S可以处理findall中的回车换行
        # src是不完整的，需要拼接
        for img_src in img_src_list:
            img_src = "https:"+img_src
            print(img_src)
            # 把最后的名字当做文件名存储
            img_name = img_src.split("/")[-1]
            # 放在指定文件夹下
            img_path = dirname+'/'+img_name
            request.urlretrieve(img_src,img_path)
            print(img_name,"下载成功！！！")

## bs4解析 ##

- 环境的安装：
        - pip install bs4
        - pip install lxml
    
    - bs4解析原理
        - 实例化一个BeautifulSoup的对象，且将即将被解析的页面源码加载到该对象中
        - 使用该对象中的属性或者方法进行标签定位和数据提取
    
    - BeautifulSoup对象的实例化方式：lxml就是一款解析器
        - BeautifulSoup(fp,'lxml'):将本地存储的html文档加载到该对象中
        - BeautifulSoup(page_text,'lxml'):将互联网上获取的html源码加载到该对象中

#### 导入： ####

from bs4 import BeautifulSoup

soup = BeautifulSoup(fp/page_text,'lxml')

#### 总结 ####

- soup.tagName:返回的就是页面中第一次出现的tagName标签（返回的是一个单数）
        soup.div
       # 直接点标签名，返回的是第一个标签内容
    
    - find函数的用法：属性定位
        - soup.find('tagName',attrName='value')
        soup.find('div',class_='song')
        # 返回的是单数
    
    - soup.find_all('tagName'):定位所有的tagName的标签
    - soup.find_all('tagName',attrName='value')：属性定位
        soup.find_all('div')
        # 返回的是列表
    
    - select（'选择器'）：根据选择器进行标签定位且返回的是复数（列表）
        - 类选择器，id选择器，标签选择器，层级选择器
        - 层级选择器：>表示一个层级，空格表示多个层级
        soup.select('.tang > ul > li')  == soup.select('.tang li')
        
    - 取数据（属性值和标签中存储的文本数据）
        soup.p.string
        soup.p.text
        取的是标签中所有的文本内容
        - text和string的区别？
            - string获取的是标签中直系的文本内容
            - text获取的是标签中所有的文本内容
    
    - 取属性：
        - tag['attrName']
        for a in soup.select('.tang > ul > li > a'):
            print(a['href'])

#### bs4实例（水浒传） ####

from bs4 import BeautifulSoup
    
    url = "http://www.shicimingju.com/book/shuihuzhuan.html"
    page_text = requests.get(url=url,headers=headers).text
    
    # 使用bs4解析数据（标题+内容）
    soup = BeautifulSoup(page_text,"lxml")
    # 使用层级选择器
    a_list = soup.select('.book-mulu > ul > li > a')
    fp = open("水浒传.txt","w",encoding='utf-8')
    for a in a_list:
        title = a.string
        detail_url = "http://www.shicimingju.com"+a['href']
        # 对详情页的url发起请求
        detail_text = requests.get(url=detail_url,headers=headers).text
        detial_soup = BeautifulSoup(detail_text,"lxml")
        content = detial_soup.find('div',class_="chapter_content").text
        # 保存到文件
        fp.write(title+":"+content+'\n')
        print(title,"保存成功！！！")
    fp.close()

## xpath解析 ##

- 环境安装：pip install lxml
    - 解析原理：
        - 实例化一个etree类型的对象，且将即将被解析的页面源码数据加载到该对象中
        - 调用该对象中的xpath方法结合着不同的xpath表达式进行标签定位和数据提取
    - 实例化对象：
        - etree.parse(fileName)
        - etree.HTML(page_text)

#### 导入 ####

from lxml import etree
    # from lxml.html.clean import tree

#### 总结 ####

- xpath方法返回值永远是一个列表
    
    - xpath表达式中最左侧的/和//的区别是什么？
        - /表示我们必须从根标签进行定位
        - //表示我们可以从任意位置标签定位
    
    - 属性定位
        tree.xpath('//div[@class="song"]')
    
    - 索引定位
        - 索引值是从1开始
    
    - 在xpath表达式中非最左侧的/和//的区别？
        - /表示一个层级
        - //表示多个层级
    
    - 取文本
        - /text()：获取的是标签下直系的文本数据
        - //text()：获取的是标签下所有的文本数据
    
    - 取属性
        tree.xpath('//div[@class="tang"]//li[5]/a/@href')

#### xpath实例（爬boss直聘） ####

# 通用的url模板
    url = "https://www.zhipin.com/c101010100/?query=Java&page=%d"
    fp = open("boos直聘.txt","w",encoding="utf-8")
    for page in range(1,4):
        print("正在爬取第{}页的数据".format(page))
        new_url = format(url%page)
        page_text = requests.get(url=new_url,headers=headers).text
        # xpath解析
        tree = etree.HTML(page_text) # tree中存储的是整个页面对应的页面源码数据
        li_list = tree.xpath("//div[@class='job-list']/ul/li")
        for li in li_list:
            # li中存储的是局部li标签对应的页面源码数据
            job_title = li.xpath('./div/div[1]/h3/a/div[1]/text()')[0]
            salary = li.xpath('./div/div[1]/h3/a/span/text()')[0]
            detail_url = "https://www.zhipin.com" + li.xpath('./div/div[1]/h3/a/@href')[0]
            company = li.xpath('.//div[@class="company-text"]/h3/a/text()')[0]
            # 详情页发起请求获取岗位描述
            detail_page_text = requests.get(url=detail_url,headers=headers).text
            detail_tree = etree.HTML(detail_page_text)
            job_desc = detail_tree.xpath('//*[@id="main"]/div[3]/div/div[2]/div[2]/div[1]/div//text()')
            job_desc = "".join(job_desc)
            fp.write(job_title+"-"+salary+"-"+company+"\n"+job_desc+"\n\n\n")
    fp.close()

## 补充：中文乱码解决 ##

img_name = img_name.encode("iso-8859-1").decode("gbk")

## 补充：管道的使用 ##

tree.xpath('//div[@class="bottom"]/ul/li/a/text() | //div[@class="bottom"]/ul/div[2]/li/a/text()')

user = info.xpath( './div[1]/a[2]/h2/text() | ./div[1]/span[2]/h2/text()')[0]

转载于:https://www.cnblogs.com/biao-wu/articles/11321121.html

[1614698-20190808145937205-2034404456.png]: /images/20230809/cd7dbc38310c4357b7329577bccbc52d.png