Python爬虫系统化学习(3)

2023-01-27 14:51:04

一般来说当我们爬取网页的整个源代码后,是需要对网页进行解析的。

正常的解析方法有三种

①:正则匹配解析

②：BeatuifulSoup解析

③:lxml解析

正则匹配解析：

在之前的学习中,我们学习过爬虫的基本用法，比如/s,/d,/w,*,+,?等用法，但是在对爬取到的网页进行解析的时候，仅仅会这些基础的用法,是不够用的，因此我们需要了解Python中正则匹配的经典函数。

re.match:

runoob解释：re.match尝试从字符串的起始位置匹配一个模式，如果不是起始位置匹配成功的话,match就会返回none，如果匹配成功，re.match就会返回一个匹配的对象，否则也为null.查看匹配返回的对象要使用group函数的方法。

语法：

re.match(pattern,string,flags=0)

解释:pattern是匹配的正则表达式,string是所要匹配的字符,而flags是标志位，用于匹配区分是否大小写，多行匹配等。具体用法如下列表格：

修饰符	描述
re.I	使得匹配对大小写不敏感
re.M	多行匹配，影响^和$
re.S	使得.匹配包括换行在内的所有字符(正常情况下.不匹配换行符,这个行为很危险,容易被黑客利用绕过)
re.U	根据Unicode字符集解析字符,这个标志影响\w,\W,\b,\B

代码案例：

#!/usr/bin/python

#coding:utf-8

import re

line="Anyone who dreams there gets"

match=re.match(r'(.*) dreams (.*?).*',line,re.M|re.I)

#match1=re.match(r'(.*) Dreams (.*?)',line,re.M)#大小写敏感,匹配会失败

match2=re.match(r'(.*) Dreams (.*?).*',line,re.M|re.I)#非贪婪模式

match3=re.match(r'(.*) Dreams (.*).*',line, re.M|re.I)#贪婪模式

print(match.group())

#print(match1.group())

print(match2.group())

print("match 0:",match.group(0))#Anyone who dreams there gets

print("match 1:",match.group(1))#Anyone who

print("match 2:",match.group(2))#' '

print("match2 0:",match2.group(0))#Anyone who dreams there gets

print("match2 1:",match2.group(1))#Anyone who

print("match2 2:",match2.group(2))#' '

print("match3 0:",match3.group(0))#Anyone who dreams there gets

print("match3 1:",match3.group(1))#Anyone who

print("match3 2:",match3.group(2))#there gets

可以看到(.*?)非贪婪模式会匹配空格，并且放入group(2),默认group()==group(0)位匹配的整句话，而groups()函数会把匹配的结果放到一个列表里。对匹配返回的结果比如match,我们可以使用start(),end(),span(),来查看开始,结束的位置。

正则匹配字符串r'(.*)'的r代表raw string,代表匹配纯粹的字符串，使用它就不会对反引号里的反斜杠进行特殊处理,比如换行符\n不会进行转义。因此我们可以了解下正则匹配中的转义：

在不加r的前提下'\\\\'会被转义，这是因为字符串经过了两次转移,一次是字符串转义，转义成为了'\\',然后进行了正则转义。

如果加了r就会变成'\\',因为以纯粹的字符串进行匹配取消了字符串转义。这就是正则匹配中的转义流程。

re.search

re.search与re.match不同之处在于re.search会扫描整个字符串，并且返回第一个结果,此外re.match并无太大差别，同样可以使用m.span(),m.start(),m.end()来查看起始位置等等

re.findall

在之前的一篇博文：https://www.cnblogs.com/Tianwenfeigong/p/14397771.html

使用到过re.findall函数,用以对bilibili中上传Python教程的Up主进行爬取,从那篇博文中,我们可以看出,re.findall返回的是列表,,对他的数据提取一般先用set()转换为集合的方式会更佳。

在那篇博文中,我还不懂对href进行包含但不选择,因此正则匹配的内容有限,导致正则匹配适用的环境并不多，因此重新爬取新的内容，并且引入一个新的小技巧；

目标：爬取第一个bilibili搜索栏所有的python视频的标题

代码：

#!/usr/bin/python

#coding=utf-8

import requests

import re

link="https://search.bilibili.com/all?keyword=python&from_source=nav_search&spm_id_from=333.851.b_696e7465726e6174696f6e616c486561646572.9"

headers={"User-Agent":'Mozilla/5.0 (Windows NT 10.0; Win64; x64; rv:85.0) Gecko/20100101 Firefox/85.0'}

r=requests.get(link,headers=headers)

text=r.text

title_list=re.findall('<a title=(.*?) href=.*?>',text)

for i in title_list:

    print(i）

重点内容:title_list=re.findall('<a title=(.*?) href=.*?>',text)

第二个.?表示匹配满足条件的结果,第一个(.?)表示对满足条件的结果进行提取

通过这个方式我们就可以提取标题了

BeautifulSoup解析

BeautifulSoup可以从HTML或者XML中提取数据，类似一个工具箱,使用BeautifulSoup时,可以使用一些解析器使得速度快一点呢，目前比较好的的Lxml HTML解析器,使用方法如下：

soup=BeautifulSoup(r.text,"lxml")

BeautifulSoup的本质是复杂的树形结构,对他的对象提取一般有三种方法:

①：遍历文档树，遍历文档树类似于Linux的文件目录,既然是树形结构一定是从上到下的所以第一个节点一定是header,具体方法如下：

#如要获得以<h1>开头的标签,则可以使用

soup.header.h1

#会返回类似于<h1 id="name">CuLin</h1>的内容

#如果要获得div的所有子节点，则可以使用

soup.header.div.contents

#如果要获得div的所有孩子节点,则可以使用

soup.header.div.children

#如果要获得div的子子孙孙节点,则可以使用

soup.header.div.descendants

#如果要获得节点a的父节点,则可以使用

soup.header.div.a.parents

②：搜索文档树:

遍历文档树的局限性很大，一般不是很推荐使用，更多的还是搜索文档树。使用方法很便捷,精髓在find和find_all函数,比如我们要爬取博客文章的标题：

#!/usr/bin/python

#coding:utf-8

import requestss

from bs4 import BeautifulSoup

link="http://www.santostang.com/"

r=requests.get(link)

soup=BeautifulSoup(r.text,"lxml")

#打印第一篇标题

first_title=soup.find("h1",class_="post-title").a.text.strip()

#打印所有文章的

all_title=soup.find_all("h1",class_="post-title")

for i in range(len(all_titile)):

    print("No ",i," is ",all_title[i].a.text.strip())

③： CSS选择器:

Css可以作为遍历文档树鼩提取数据,也可以按照搜索文档树的方法去搜索，但是我个人觉得css选择器不如selenium好用，并且使用上很不方便，所以不再赘述

此外lxml解析器重点是xpath,这在selenium也有很好的体现，而xpath的选择我们可以在网页检查中直接检查xpath更为方便。

项目实战

爬取贝壳网站南京房源信息，总房价，平均房价，地点

#coding:utf-8

import requests

import re

from bs4 import BeautifulSoup

link="https://nj.ke.com/ershoufang/pg"

headers={"User-Agent":"Mozilla/5.0 (Windows NT 10.0; Win64; x64; rv:86.0) Gecko/20100101 Firefox/86.0","Host":

"nj.ke.com"}

for i in range(1,20):

    link_=link+str(i)+'/'

    r=requests.get(link_,headers=headers)

    soup=BeautifulSoup(r.text,"html.parser")

    houst_list=soup.find_all('li',class_='clear')

    for house in houst_list:

        name=house.find('div',class_='title').a.text.strip()+'\n'

        houst_info=house.find('div',class_='houseInfo').text.strip()

        houst_info=re.sub('\s+','',houst_info)+'\n'

        total_money=str(house.find('div',class_='totalPrice').span.text.strip())+'万'

        aver_money=str(house.find('div',class_='unitPrice').span.text.strip())

        adderess=house.find('div',class_='positionInfo').a.text.strip()

        text_="标题："+name+"房屋信息:"+houst_info+"总价:"+total_money+' '+aver_money+adderess

        with open ('haha.txt',"a+") as f:

            f.write(text_)

结果返回一个haha.txt的文本，内容如下：

码农公寓