xpath,正则表达式re，bs4总结及实战

xpath

xpath使用路径表达式再xml文档中进行导航，是一个标准函数库，还有w3c标准。

在 XPath 中，有七种类型的节点：元素、属性、文本、命名空间、处理指令、注释以及文档节点（或称为根节点）。XML 文档是被作为节点树来对待的。树的根被称为文档节点或者根节点。

Xpath常用的路径表达式

表达式	描述
nodename	选取此节点的所有子节点
/	从根节点选取所属子元素的所有元素或者选取根元素（注释：假如路径起始于正斜杠( / )，则此路径始终代表到某元素的绝对路径！）
//	从匹配选择的当前节点选择文档中的节点，而不考虑它们的位置。（选取所有该元素）
.	选取当前节点。
…	选取当前节点的父节点
@	选取属性。

/text() 提取标签下面的文本内容

如：

/标签名逐层提取

/标签名提取所有名为<>的标签

//标签名[@属性=“属性值”]

提取包含属性为属性值的标签

@属性名代表取某个属性名的属性值

使用lxml解析

导入库：from lxml import etree
lxml将html文本转成xml对象

-tree = etree.HTML(html)
用户名称：tree.xpath(’//div[@class = “auth”]/a/text()’)
回复内容：tree.xpath(’//td[@class=“postbody”]’) 因为回复内容中有换行等标签，所以需要用string()来获取数据。
Xpath中text()，string()，data()的区别如下：
- text()仅仅返回所指元素的文本内容。
- string()函数会得到所指元素的所有节点文本内容，这些文本讲会被拼接成一个字符串。
- data()大多数时候，data()函数和string()函数通用，而且不建议经常使用data()函数，有数据表明，该函数会影响XPath的性能。

爬取丁香园的用户名和回复内容

爬取思路

获取url的html
lxml解析html
利用xpath表达式获取user和content
保存爬取的内容

代码实现

#导入库
from lxml import etree
import requests

url = "http://www.dxy.cn/bbs/thread/626626#626626"
#获取url的html
req = requests.get(url)
html = req.text
#lxml解析html
tree = etree.HTML(html) 
#利用Xpath表达式获取user和content（完成xpath的语句）
user = tree.xpath('//div[@class=“auth”]/a/text()')
# print(user)
content = tree.xpath('//td[@class=“postbody')
#保存爬取的内容
results = []
for i in range(0, len(user)):
    # print(user[i].strip()+":"+content[i].xpath('string(.)').strip())
    # print("*"*80)
    # 因为回复内容中有换行等标签，所以需要用string()来获取数据
    results.append(user[i].strip() + ":  " + content[i].xpath('string(.)').strip())
# 打印爬取的结果
for i,result in zip(range(0, len(user)),results):
    print("user"+ str(i+1) + "-" + result)
    print("*"*100)

补充

Xpath的text()与string(.)

如果要提取当前元素的信息，一般用Xpath的text()方法。

当某些元素下包含很多嵌套元素，一并提取出来就要用string(.)方法。

正则表达式re

正则表达式作用

测试字符串内的模式。

例如，可以测试输入字符串，以查看字符串内是否出现电话号码模式或信用卡号码模式。这称为数据验证。
替换文本。

可以使用正则表达式来识别文档中的特定文本，完全删除该文本或者用其他文本替换它。
基于模式匹配从字符串中提取子字符串。

可以查找文档内或输入域内特定的文本。

可以使用正则表达式来搜索和替换标记。

正则表达式可以非常简洁表达一组字符串的表达式，并且是一种通用的字符串表达框架，是一种针对字符串表达“简洁”和“特征”思想的工具，还可以用来判断某字符串的特征归属。

正则表达式在文本处理中用来同时查找或者替换一组字符串，匹配字符串的全部或部分（主要作用）。

正则表达式语法

正则表达式语法由字符和操作符构成:

. 表示任何单个字符
[ ]字符集，对单个字符给出取值范围，如[abc]表示a、b、c，[a – z]表示a到z单个字符
[^ ]非字符集，对单个字符给出排除范围，如[^abc]表示非a或b或c的单个字符
*

前一个字符0次或无限次扩展，如abc

表示 ab、abc、abcc、abccc等
- 前一个字符1次或无限次扩展，如abc+ 表示 abc、abcc、abccc等
? 前一个字符0次或1次扩展，如abc? 表示 ab、abc
| 左右表达式任意一个，如abc|def 表示 abc、def
{m} 扩展前一个字符m次，如ab{2}c表示abbc
{m,n} 扩展前一个字符m至n次（含n），如ab{1,2}c表示abc、abbc
^ 匹配字符串开头，如^abc表示abc且在一个字符串的开头
$ 匹配字符串结尾，如abc$表示abc且在一个字符串的结尾
( ) 分组标记，内部只能使用 | 操作符，如(abc)表示abc，(abc|def)表示abc、def
\d 数字，等价于[0‐9]
\w 单词字符，等价于[A‐Za‐z0‐9_]

正则表达式re库的使用

调用方法：import re

re库采用raw string类型表示正则表达式，表示为:r ‘text’,raw string是不包含对转义符再次转义的字符串。

re库的主要功能函数：

re.search() 在一个字符串中搜索匹配正则表达式的第一个位置，返回match对象

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

re.match() 从一个字符串的开始位置起匹配正则表达式，返回match对象

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

re.findall()

搜索字符串，以列表类型返回全部能匹配的子串

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

re.split() 将一个字符串按照正则表达式匹配结果进行分割，返回列表类型

re.split(pattern, string,maxsplit=0, flags=0)

re.finditer() 搜索字符串，返回一个匹配结果的迭代类型，每个迭代元素是match对象

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

re.sub() 在一个字符串中替换所有匹配正则表达式的子串，返回替换后的字符串

re.sub(pattern, repl, string, count=0, flags=0)

flags : 正则表达式使用时的控制标记：

re.I –> re.IGNORECASE : 忽略正则表达式的大小写，[A‐Z]能够匹配小写字符

re.M –> re.MULTILINE : 正则表达式中的^操作符能够将给定字符串的每行当作匹配开始

re.S –> re.DOTALL : 正则表达式中的.操作符能够匹配所有字符，默认匹配除换行外的所有字符

re库的另一种等价用法（编译）

regex = re.compile(pattern, flags=0)：将正则表达式的字符串形式编译成正则表达式对象

re 库的贪婪匹配和最小匹配

.* Re库默认采用贪婪匹配，即输出匹配最长的子串

*? 只要长度输出可能不同的，都可以通过在操作符后增加?变成最小匹配

实战：淘宝商品比价定向爬虫

爬取思路：

提交商品搜索请求，循环获取页面

对于每个页面，提取商品名称和价格信息

将信息输出到屏幕上

# 导入包
import requests
import re
def getHTMLText(url):
    """
    请求获取html，（字符串）
    :param url: 爬取网址
    :return: 字符串
    """
    try:
        # 添加头信息,
        kv = {
            'cookie': 'thw=cn; v=0; t=ab66dffdedcb481f77fd563809639584; cookie2=1f14e41c704ef58f8b66ff509d0d122e; _tb_token_=5e6bed8635536; cna=fGOnFZvieDECAXWIVi96eKju; unb=1864721683; sg=%E4%B8%8B3f; _l_g_=Ug%3D%3D; skt=83871ef3b7a49a0f; cookie1=BqeGegkL%2BLUif2jpoUcc6t6Ogy0RFtJuYXR4VHB7W0A%3D; csg=3f233d33; uc3=vt3=F8dBy3%2F50cpZbAursCI%3D&id2=UondEBnuqeCnfA%3D%3D&nk2=u%2F5wdRaOPk21wDx%2F&lg2=VFC%2FuZ9ayeYq2g%3D%3D; existShop=MTU2MjUyMzkyMw%3D%3D; tracknick=%5Cu4E36%5Cu541B%5Cu4E34%5Cu4E3F%5Cu5929%5Cu4E0B; lgc=%5Cu4E36%5Cu541B%5Cu4E34%5Cu4E3F%5Cu5929%5Cu4E0B; _cc_=WqG3DMC9EA%3D%3D; dnk=%5Cu4E36%5Cu541B%5Cu4E34%5Cu4E3F%5Cu5929%5Cu4E0B; _nk_=%5Cu4E36%5Cu541B%5Cu4E34%5Cu4E3F%5Cu5929%5Cu4E0B; cookie17=UondEBnuqeCnfA%3D%3D; tg=0; enc=2GbbFv3joWCJmxVZNFLPuxUUDA7QTpES2D5NF0D6T1EIvSUqKbx15CNrsn7nR9g%2Fz8gPUYbZEI95bhHG8M9pwA%3D%3D; hng=CN%7Czh-CN%7CCNY%7C156; mt=ci=32_1; alitrackid=www.taobao.com; lastalitrackid=www.taobao.com; swfstore=97213; x=e%3D1%26p%3D*%26s%3D0%26c%3D0%26f%3D0%26g%3D0%26t%3D0%26__ll%3D-1%26_ato%3D0; uc1=cookie16=UtASsssmPlP%2Ff1IHDsDaPRu%2BPw%3D%3D&cookie21=UIHiLt3xThH8t7YQouiW&cookie15=URm48syIIVrSKA%3D%3D&existShop=false&pas=0&cookie14=UoTaGqj%2FcX1yKw%3D%3D&tag=8&lng=zh_CN; JSESSIONID=A502D8EDDCE7B58F15F170380A767027; isg=BMnJJFqj8FrUHowu4yKyNXcd2PXjvpa98f4aQWs-RbDvsunEs2bNGLfj8BYE6lWA; l=cBTDZx2mqxnxDRr0BOCanurza77OSIRYYuPzaNbMi_5dd6T114_OkmrjfF96VjWdO2LB4G2npwJ9-etkZ1QoqpJRWkvP.; whl=-1%260%260%261562528831082',
            'user-agent': 'Mozilla/5.0'
        }
        r = requests.get(url, timeout=30, headers=kv)
        # r = requests.get(url, timeout=30)
        # print(r.status_code)
        r.raise_for_status()
        r.encoding = r.apparent_encoding
        return r.text
    except:
        return "爬取失败"

def parsePage(glist, html):
    '''
    解析网页，搜索需要的信息
    :param glist: 列表作为存储容器
    :param html: 由getHTMLText()得到的
    :return: 商品信息的列表
    '''
    try:
        # 使用正则表达式提取信息
        #商品价格
        price_list = re.findall(r'^<strong>', html)
        #商品名称
        name_list = re.findall(r'', html)
        for i in range(len(price_list)):
            price = eval(price_list[i].split(":")[1])  #eval（）在此可以去掉""
            name = eval(name_list[i].split(":")[1])
            glist.append([price, name])
    except:
        print("解析失败")

3. 将信息输出到屏幕上
def printGoodList(glist):
    tplt = "{0:^4}\t{1:^6}\t{2:^10}"
    print(tplt.format("序号", "商品价格", "商品名称"))
    count = 0
    for g in glist:
        count = count + 1
        print(tplt.format(count, g[0], g[1]))
# 根据页面url的变化寻找规律，构建爬取url
goods_name = "书包"  # 搜索商品类型
start_url = "https://s.taobao.com/search?q=" + goods_name
info_list = []
page = 3  # 爬取页面数量
count = 0
for i in range(page):
    count += 1
    try:
        url = start_url + "&s=" + str(44 * i)
        html = getHTMLText(url)  # 爬取url
        parsePage(info_list, html) #解析HTML和爬取内容
        print("\r爬取页面当前进度: {:.2f}%".format(count * 100 / page), end="")  # 显示进度条
    except:
        continue

Beautiful Soup库入门

Beautiful Soup库的基本元素

Beautiful Soup库的理解： Beautiful Soup库是解析、遍历、维护“标签树”的功能库，对应一个HTML/XML文档的全部内容

BeautifulSoup类的基本元素:

Tag 标签，最基本的信息组织单元，分别用<>和</>标明开头和结尾；

Name 标签的名字，

…

的名字是’p’，格式：.name;

Attributes 标签的属性，字典形式组织，格式：.attrs;

NavigableString 标签内非属性字符串，<>…</>中字符串，格式：.string;

Comment 标签内字符串的注释部分，一种特殊的Comment类型;

# 导入bs4库
from bs4 import BeautifulSoup
import requests # 抓取页面

r = requests.get('https://python123.io/ws/demo.html') # Demo网址
demo = r.text  # 抓取的数据
demo

# 解析HTML页面
soup = BeautifulSoup(demo, 'html.parser')  # 抓取的页面数据；bs4的解析器
# 有层次感的输出解析后的HTML页面
print(soup.prettify())

1）标签，用soup.访问获得:

当HTML文档中存在多个相同对应内容时，soup.返回第一个

2）标签的名字:每个都有自己的名字，通过soup..name获取，字符串类型

3)标签的属性,一个可以有0或多个属性，字典类型,soup..attrs

4)Attributes:标签内非属性字符串,格式：soup..string, NavigableString可以跨越多个层次

5）NavigableString:标签内字符串的注释部分，Comment是一种特殊类型(有–>)

6) .prettify()为HTML文本<>及其内容增加更加’\n’,有层次感的输出

.prettify()可用于标签，方法：.prettify()

7)bs4库将任何HTML输入都变成utf‐8编码

Python 3.x默认支持编码是utf‐8,解析无障碍

HTML基本格式:<>…</>构成了所属关系，形成了标签的树形结构

标签树的下行遍历

.contents 子节点的列表，将所有儿子节点存入列表

.children 子节点的迭代类型，与.contents类似，用于循环遍历儿子节点

.descendants 子孙节点的迭代类型，包含所有子孙节点，用于循环遍历

标签树的上行遍

.parent 节点的父亲标签

.parents 节点先辈标签的迭代类型，用于循环遍历先辈节点

标签树的平行遍历

.next_sibling 返回按照HTML文本顺序的下一个平行节点标签

.previous_sibling 返回按照HTML文本顺序的上一个平行节点标签

.next_siblings 迭代类型，返回按照HTML文本顺序的后续所有平行节点标签

.previous_siblings 迭代类型，返回按照HTML文本顺序的前续所有平行节点标签

标签树的下行遍历

import requests
from bs4 import BeautifulSoup

r=requests.get('http://python123.io/ws/demo.html')
demo=r.text
soup=BeautifulSoup(demo,'html.parser')

标签树的上行遍历

for parent in soup.a.parents: # 遍历先辈的信息
    if parent is None:
        print(parent)
    else:
        print(parent.name)

标签树的平行遍历

标签树的平行遍历是有条件的

平行遍历发生在同一个父亲节点的各节点之间

标签中的内容也构成了节点

基于bs4库的HTML内容的查找方法

<>.find_all(name, attrs, recursive, string, **kwargs)

参数：

∙ name : 对标签名称的检索字符串

∙ attrs: 对标签属性值的检索字符串，可标注属性检索

∙ recursive: 是否对子孙全部检索，默认True

∙ string: <>…</>中字符串区域的检索字符串

简写：

(…) 等价于 .find_all(…)

soup(…) 等价于 soup.find_all(…)

扩展方法：

<>.find() 搜索且只返回一个结果，同.find_all()参数

<>.find_parents() 在先辈节点中搜索，返回列表类型，同.find_all()参数

<>.find_parent() 在先辈节点中返回一个结果，同.find()参数

<>.find_next_siblings() 在后续平行节点中搜索，返回列表类型，同.find_all()参数

<>.find_next_sibling() 在后续平行节点中返回一个结果，同.find()参数

<>.find_previous_siblings() 在前序平行节点中搜索，返回列表类型，同.find_all()参数

<>.find_previous_sibling() 在前序平行节点中返回一个结果，同.find()参数

原文链接：https://blog.csdn.net/Mikow/article/details/105681272

xpath

Xpath常用的路径表达式

使用lxml解析

爬取丁香园的用户名和回复内容

爬取思路

代码实现

补充

正则表达式re

正则表达式作用

正则表达式语法

正则表达式re库的使用

re库的主要功能函数：

re库的另一种等价用法（编译）

re 库的贪婪匹配和最小匹配

实战：淘宝商品比价定向爬虫

Beautiful Soup库入门

1）标签，用soup.访问获得:

2）标签的名字:每个都有自己的名字，通过soup..name获取，字符串类型

3)标签的属性,一个可以有0或多个属性，字典类型,soup..attrs

4)Attributes:标签内非属性字符串,格式：soup..string, NavigableString可以跨越多个层次

5）NavigableString:标签内字符串的注释部分，Comment是一种特殊类型(有–>)

6) .prettify()为HTML文本<>及其内容增加更加’\n’,有层次感的输出

7)bs4库将任何HTML输入都变成utf‐8编码

标签树的下行遍历

标签树的下行遍历

标签树的上行遍历

标签树的平行遍历

基于bs4库的HTML内容的查找方法

<>.find_all(name, attrs, recursive, string, **kwargs)

扩展方法：

你可能也喜欢