数据解析原理
- 标签定位
- 提取标签、标签属性中存储的数据值
bs4数据解析的原理：
- 实例化一个BeautifulSoup对象，并且将页面源码数据加载到该对象中
- 通过调用BeautifulSoup对象中相关的属性或者方法进行标签定位和数据提取
环境安装：
pip install bs4
pip install lxml
如何实例化BeautifulSoup对象：
from bs4 import BeautifulSoup
1.将本地的html文档中的数据加载到该对象中
fp = open('./test.html','r',encoding='utf-8')
soup = BeautifulSoup(fp,'lxml')
2.将互联网上获取的页面源码加载到该对象中
page_text = response.text
soup = BeatifulSoup(page_text,'lxml')
提供的用于数据解析的方法和属性：
-
soup.tagName:返回的是文档中第一次出现的tagName对应的标签
-
soup.find():
find(‘tagName’):等同于soup.div
-
属性定位
soup.find(‘div’,class_/id/attr=‘song’)
soup.find_all(‘tagName’):返回符合要求的所有标签（列表） -
select：
select(‘某种选择器（id，class，标签…选择器）’),返回的是一个列表。 -
层级选择器：
soup.select(’.tang > ul > li > a’)：>表示的是一个层级
oup.select(’.tang > ul a’)：空格表示的多个层级 -
获取标签之间的文本数据：
soup.a.text/string/get_text()
text/get_text():可以获取某一个标签中所有的文本内容
string：只可以获取该标签下面直系的文本内容 -
获取标签中属性值：
soup.a[‘href’]
xpath解析：最常用且最便捷高效的一种解析方式。
xpath解析原理：
- 实例化一个etree的对象，且需要将被解析的页面源码数据加载到该对象中。
- 调用etree对象中的xpath方法结合着xpath表达式实现标签的定位和内容的捕获。
环境的安装：
pip install lxml
如何实例化一个etree对象:
from lxml import etree
- 将本地的html文档中的源码数据加载到etree对象中：
etree.parse(filePath)
- 可以将从互联网上获取的源码数据加载到该对象中
etree.HTML('page_text')
xpath用法:
- /:表示的是从根节点开始定位。表示的是一个层级。
- //:表示的是多个层级。可以表示从任意位置开始定位。
- 属性定位：//div[@class=‘song’] tag[@attrName=“attrValue”]
- 索引定位：//div[@class=“song”]/p[3] 索引是从1开始的。
- 取文本：
/text() 获取的是标签中直系的文本内容
//text() 标签中非直系的文本内容（所有的文本内容） - 取属性：
/@attrName