datawhale爬虫task02

2.1 学习beautifulsoup

  1. 学习beautifulsoup，并使用beautifulsoup提取内容。

  2. 使用beautifulsoup提取丁香园论坛的回复内容。

2.2学习xpath 

  1. 学习xpath，使用lxml+xpath提取内容。

  2. 使用xpath提取丁香园论坛的回复内容。

 

一、学习beautifulsoup：

1.简介：

BeautifulSoup是一个Python的HTML和XML的解析库，用来从网页中提取数据。

BeautifulSoup会自动将文档转换为Unicode编码，输出文档转换为UTF-8编码。

导入BeautifulSoup方法：from bs4 import BeautifulSoup

中文文档地址：https://www.crummy.com/software/BeautifulSoup/bs4/doc/index.zh.html

 

2.解析器：

推荐使用lxml解析器，如果使用lxml解析器，则在创建BeautifulSoup对象的时候，第二个参数填：lxml

eg:

from bs4 import BeautifulSoup

soup = BeautifulSoup('<p>Hello</p>', 'lxml')

 

3.基本使用：

 1 html = """
 2 <html><head><title>The Dormouse's story</title></head>
 3 <body>
 4 <p class="title" name="dromouse"><b>The Dormouse's story</b></p>
 5 <p class="story">Once upon a time there were three little sisters; and their names were
 6 <a href="http://example.com/elsie" class="sister" id="link1"><!-- Elsie --></a>,
 7 <a href="http://example.com/lacie" class="sister" id="link2">Lacie</a> and
 8 <a href="http://example.com/tillie" class="sister" id="link3">Tillie</a>;
 9 and they lived at the bottom of a well.</p>
10 <p class="story">...</p>
11 """
12 from bs4 import BeautifulSoup
13 soup = BeautifulSoup(html, 'lxml')
14 print(soup.prettify())
15 print(soup.title.string)

 

输出结果：

 1 <html>
 2  <head>
 3   <title>
 4    The Dormouse's story
 5   </title>
 6  </head>
 7  <body>
 8   <p class="title" name="dromouse">
 9    <b>
10     The Dormouse's story
11    </b>
12   </p>
13   <p class="story">
14    Once upon a time there were three little sisters; and their names were
15    <a class="sister" href="http://example.com/elsie" id="link1">
16     <!-- Elsie -->
17    </a>
18    ,
19    <a class="sister" href="http://example.com/lacie" id="link2">
20     Lacie
21    </a>
22    and
23    <a class="sister" href="http://example.com/tillie" id="link3">
24     Tillie
25    </a>
26    ;
27 and they lived at the bottom of a well.
28   </p>
29   <p class="story">
30    ...
31   </p>
32  </body>
33 </html>
34 The Dormouse's story
  • BeautifulSoup会自动更正格式。给出的HTML代码不完整，它的html标签和body标签都没有闭合。BeautifulSoup会在初始化创建BeautifulSoup对象的时候，就自动更正格式，将html标签和body标签补充完整
  • prettify()方法：可以将要解析的字符串以标准格式输出
  • soup.title：选择出HTML中的title节点
  • soup.title.string：调用string属性，可以得到节点内部的文本

 

选择器：BeautifulSoup有3种选择器：1）节点选择器 2）方法选择器 3）CSS选择器

4.节点选择器：

4.1选择元素：

BeautifulSoup对象.节点的名称

eg：soup.title

  • 得到的结果为：节点+其内容的全部内容：<title>The Dormouse's story</title>
  • 返回的结果类型永远为：bs4.element.Tag类型。经过选择器选择后，结果都是Tag类型，Tag类型有name、attr、string属性，可以调用属性
  • 注意：当有多个节点的时候，这种选择方式只会选择到第一个匹配到的节点，其他的后面的节点都会被自动忽略
 1 html = """
 2 <html><head><title>The Dormouse's story</title></head>
 3 <body>
 4 <p class="title" name="dromouse"><b>The Dormouse's story</b></p>
 5 <p class="story">Once upon a time there were three little sisters; and their names were</p>
 6 """
 7 from bs4 import BeautifulSoup
 8 soup = BeautifulSoup(html, 'lxml')
 9 print(soup.title)
10 print(type(soup.title))
11 print(soup.title.string)
12 print(soup.head)
13 print(soup.p)

 

运行结果：

1 <title>The Dormouse's story</title>
2 <class 'bs4.element.Tag'>
3 The Dormouse's story
4 <head><title>The Dormouse's story</title></head>
5 <p class="title" name="dromouse"><b>The Dormouse's story</b></p>

 

4.2Tag对象节点属性：

节点Tag对象具有三大属性：name、attr、string

1）name：

用来获取节点的名称

先选择节点，然后调用name属性就可以得到节点名称

print(soup.title.name)

运行结果：title

先选择title节点，然后调用name属性，得到title节点的名称：title

 

2）attrs：

用来获取节点的属性值

  • 调用attrs，获取节点的所有的属性值。返回的字典形式的{'属性1'：'属性值1'，'属性2'：'属性值2'}
  • 调用attrs['属性名']，得到节点相应的属性值。attrs['属性1']
  • 节点元素['属性名']，得到节点相应的属性值。
  • 注意：返回结果，有的是字符串，有的是字符串组成的列表
1 print(soup.p.attrs)
2 print(soup.p.attrs['name'])
3 print(soup.p['name'])
4 print(soup.p['class'])

运行结果：

1 {'class': ['title'], 'name': 'dromouse'}
2 dromouse
3 dromouse
4 ['title']

 

3）string：

用来获取节点元素包含的文本内容

print(soup.title.string)

运行结果：The Dormouse's story

注意：string只适用于节点元素内部，没有子节点、或者只有一个子节点。当存在多个子节点时，.string 方法应该调用哪个子节点的内容, .string 的输出结果是 None

提取节点内部文本，不建议使用string属性，建议使用get_text()方法

  

4.3 嵌套选择：

选择节点元素里面的节点元素

 1 html = """
 2 <html><head><title>The Dormouse's story</title></head>
 3 <body>
 4 """
 5 
 6 from bs4 import BeautifulSoup
 7 soup = BeautifulSoup(html, 'lxml')
 8 print(soup.head)
 9 print(type(soup.head))
10 print(soup.head.title))
11 print(type(soup.head.title))
12 print(soup.head.title.string) 

运行结果：

1 <html><head><title>The Dormouse's story</title></head>
2 <class 'bs4.element.Tag'>
3 <title>The Dormouse's story</title>
4 <class 'bs4.element.Tag'>
5 The Dormouse's story

 

4.4 关联选择：

根据基准节点，查找它的子节点、孙节点、父节点、祖先节点、兄弟节点

1）子节点、孙节点：

  • contents

得到直接子节点（既包含文本，也包含节点）列表，返回结果是列表形式

  • children

得到直接子节点（既包含文本，也包含节点），返回类型是生成器类型，可以用for循环输出需要内容

  • descendants

得到所有的子孙节点（既包含文本，也包含节点），返回结果是生成器类型

 

2）父节点、祖先节点（直接父节点、爷爷节点、太爷爷节点.....）

  • parent

得到直接父节点（父节点及其内部全部内容），不再向外寻找父节点的祖先节点

  • parents

得到所有的祖先节点（直接父节点、爷爷节点、太爷爷节点.....），返回类型是生成器类型

注意：这里会除了父节点以外，会将整个文档的信息最后在放进去一遍，最后一个元素的类型为BeautifulSoup对象

 

3）兄弟节点（同级节点）：

  • next_sibling

获取基准节点的下一个兄弟节点

  • previous_sibling

获取基准节点的上一个兄弟节点元素

  • next_siblings

获取基准节点的后面的所有的兄弟节点元素

  • previous_siblings

获取基准节点的前面的所有的兄弟节点元素

 

5.方法选择器：

5.1 find_all(name, attrs, recursive, text, **kwargs)

查询所有符合条件的元素，返回结果是列表类型，每个元素依然都是bs4.element.Tag类型

支持嵌套查询

参数：

  • name

根据节点的名字来查询元素。节点的名字：a、p、ul、li、div、title.........

  • attrs

根据节点的属性查询元素

注意：传入的attrs参数类型是字典类型

  • text

根据节点内部文本，来查询元素。传入的text参数形式可以是字符串，也可以是正则表达式对象

 

5.2 find()

同find_all()，只不过返回的是单个元素，即第一个匹配到的元素

 

5.3 find_parents()、find_parent()：

前者返回所有的祖先节点，后者返回直接的父节点

 

5.4 find_next_siblings()、find_next_siblings()：

前者返回后面所有的兄弟节点，后者返回后面的第一个兄弟节点

 

5.5 find_previous_siblings()、find_previous_siblings()：

前者返回前面所有的兄弟节点，后者返回前面的第一个兄弟节点

 

5.6 find_all_next()、find_next()：

前者返回当前节点的后面的所有符合条件的节点，后者返回当前节点后面的第一个符合条件的节点

 

5.7 find_all_previous()、find_previous()：

前者返回当前节点的前面的所有符合条件的节点，后者返回当前节点前面的第一个符合条件的节点

 

6.CSS选择器：

7.爬取丁香园的帖子回复内容

# 使用beautifulsoup提取丁香园论坛的回复内容。
# 丁香园直通点：http://www.dxy.cn/bbs/thread/626626#626626 。

import requests
from bs4 import BeautifulSoup

class dingxiangyuan():
    #1.发送请求
    def send_request(self):
        #1.1添加请求头：
        headers = {"User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/75.0.3770.100 Safari/537.36"}
        #1.2 url
        url = 'http://www.dxy.cn/bbs/thread/626626#626626'
        #发送请求
        response = requests.get(url=url,headers=headers)
        return response
    #2.解析数据
    def parse(self,response):
        #读取response数据
        response_data = response.content.decode()
        #初始化BeautifulSoup，使用BeautifulSoup解析response数据，使用lxml解析器
        bsoup = BeautifulSoup(response_data, 'lxml')
        #获取所有回复节点
        replies = bsoup.find_all(name='td', attrs={'class': 'postbody'})
        #print(replies)
        for reply in replies:
            reply_content = reply.get_text().strip()
            print(reply_content)
    #3.存储数据
    #4.运行
    def run(self):
        response = self.send_request()
        self.parse(response)
        pass

dingxiangyuan().run()

 

 

二、学习xpath：

xpath文档：https://www.w3.org/TR/xpath/

1.准备工作:

  • 导入lxml库的etree模块

 注意：在pycharm中，导入该模块虽然会显示为红色，但是实际上是导入成功的，不影响后续调用etree模块的方法。

 

  • 调用HTML()方法构造Xpath解析对象——使用Xpath之前，一定要将要解析的数据，转换成Xpath对象

其中，etree模块的HTML()方法会自动修正HTML文本（就如之前BeautifulSoup那样补全html、body标签等）

 

2. 选取节点：

使用Xpath规则选取符合条件匹配到的节点。

  • 返回的结果为列表类型
[<Element li at 0x105849208>, <Element li at 0x105849248>]
  • 每个节点元素：
<Element li at 0x105849208>

节点元素为Element类型，后面跟了节点的名称

 

2.1 子节点、子孙节点：

 （1）使用“/”,可以获取节点的直接子节点

xpath_data.xpath('//li/a')

——获取li节点的直接子节点中的a节点

（2）使用“//”可以获取节点的子孙节点

xpath_data.xpath('//li//a')

——获取li节点的所有a子孙节点

 

2.2 父节点：

（1）使用“..”获取节点的父节点

xpath_data.xpath('//a(@href="link4.html")/../@class')

——先选中href属性为link4.html的a节点，然后再获取该节点的父节点的class属性

（2）使用“parent::”获取节点的父节点

xpath_data.xpath('//a(@href="link4.html")/parent::*/@class')

 ——先选中href属性为link4.html的a节点，然后再获取该节点的父节点的class属性

 

2.3 获取节点文本内容：

  • 使用/text()方法获取节点中的文本内容
xpath_data.xpath('//a(@href="link4.html")/text()')

——获取href属性为link4.html的a节点中的文本内容

 

2.4 获取节点属性值：

使用“@属性名”，获取节点相应的属性值

xpath_data.xpath('//a(@href="link4.html")/@class')

——获取href属性为link4.html的a节点的class的属性值

 

2.5 属性匹配：

使用“@属性名=属性值”，来进行属性过滤，筛选到符合条件的节点

xpath_data.xpath('//a(@href="link4.html")')

——匹配到href属性值为link4.html的a节点 

 

2.6 一个属性有多个值匹配：某个节点的某个属性可能有多个值

使用contains()函数。

xpath_data.xpath('//a[contains(@href, "li")]')

——寻找href属性的属性值为li的a节点

——contains(参数1, 参数2)方法：第一个参数传：属性名称、第二个参数：传相应的属性值

 

2.7 多属性匹配：根据多个属性确定一个节点，即同时匹配多个属性

使用“and”运算符

xpath_data.xpath('//a[contains(@href, "li")] and @name="item"')

——选择href属性的属性值为：li，同时，name属性为item的a节点

 

Xpath的运算符如下：

 

 

 

2.8 按序选择：

（1）按照序号选择：

xpath_data.xpath('//li[1]')
xpath_data.xpath('//li[2]') 

 ——分别选择了第1个li节点、第2个li节点。

注意：这里和代码中list不同，序号以0开头，不是以1开头。所以li[1]是第1个节点，li[0]无效

（2）last()：选择最后一个节点

xpath_data.xpath('//li[last()]')

——选择了最后一个li节点

xpath_data.xpath('//li[last()-1]')

——倒数第2个li节点

（3）position()：

xpath_data.xpath('//li[position()<3]')

——选择了位置小于3的节点，即li[1]、li[2]

 

2.9 节点轴选择：

（1）格式：   基准节点   /   节点轴   ::   节点选择器

（2）节点轴：

（3）

 

xpath_data.xpath('//li[1]/ancestor::div')

 ——获取第1个li节点的div祖先节点

 

3. 爬取代码：

 

 1 # 使用beautifulsoup提取丁香园论坛的回复内容。
 2 # 丁香园直通点：http://www.dxy.cn/bbs/thread/626626#626626 。
 3 
 4 import requests
 5 from lxml import etree
 6 class dingxiangyuan():
 7     reply_list = []
 8     #1.发送请求
 9     def send_request(self):
10         #1.1添加请求头：
11         headers = {"User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/75.0.3770.100 Safari/537.36"}
12         #1.2 url
13         url = 'http://www.dxy.cn/bbs/thread/626626#626626'
14         #发送请求
15         response = requests.get(url=url,headers=headers)
16         return response
17     #2.解析数据
18     def parse(self,response):
19         #读取response数据
20         response_data = response.content.decode('utf-8')
21         #初始化Xpath，转换HTML
22         xpath_data = etree.HTML(response_data)
23         print(xpath_data)
24         #获取所有回复节点
25         #starts-with(@title,"注册时间")
26         replies = xpath_data.xpath('//div[starts-with(@id, "post_")]')
27         print("replies: " + str(replies))
28         #print(replies)
29         for reply in replies:
30             reply_dict = {}
31             print('reply: ' + str(reply))
32             #回复人姓名：
33             auth_name = reply.xpath('.//div[@class="auth"]')[0].xpath('string(.)')
34             # print('auth_name: ' + str(auth_name))
35             #级别
36             auth_rank = reply.xpath('.//div[@class="info clearfix"]')[0].xpath('string(.)').strip()
37             print("auth_rank: " + str(auth_rank))
38             #回复内容
39             reply_content = reply.xpath('.//td[@class="postbody"]')[0].xpath('string(.)').strip()
40             print('reply_content: ' + str(reply_content))
41             reply_dict['auth_name'] = auth_name
42             reply_dict['auth_rank'] = auth_rank
43             reply_dict['reply_content'] = reply_content
44             self.reply_list.append(reply_dict)
45     #3.存储数据
46     #4.运行
47     def run(self):
48         response = self.send_request()
49         self.parse(response)
50         print(self.reply_list)
51         pass
52 
53 dingxiangyuan().run()

 

遇到的坑：

（1）嵌套选取节点：

  • 首先，Xpath选取到的节点，返回一定是列表类型，需要获取到列表里面的节点元素，再嵌套进行xpath，如果只选取到一个节点，记得一定要加序号[0]
  • 其次，从基准节点，再Xpath选取节点，一定要以“.//”或者“./”开头

 

replies = xpath_data.xpath('//div[starts-with(@id, "post_")]')
auth_name = reply.xpath('.//div[@class="auth"]')[0].xpath('string(.)')

 

 

 

（2）Xpath模糊查询：

以....为开头：starts-with(参数1，参数2)

replies = xpath_data.xpath('//div[starts-with(@id, "post_")]')

 

——获取id以“post_”为开头的div节点

以....为结尾：ends-with(参数1，参数2)

 

（3）text()、String()的区别：

  • text()：获取节点内的直接文本内容
  • string()：获取节点内部的所有文本内容

 

posted @ 2019-08-08 16:04  Loser_King  阅读(220)  评论(0)  编辑  收藏  举报