数据解析：bs4与xpath

数据解析原理概述：
    - 解析的局部的文本内容都会在标签之间或者标签对应的属性中进行存储
    - 1.进行指定标签的定位
    - 2.标签或者标签对应的属性中存储的数据值进行提取（解析）

正则表达式解析

• re模块

#使用聚焦爬虫将页面中所有的图片进行解析/提取
ex = '<div class="thumb">.*?<img src="(.*?)" alt.*?</div>'
img_src_list = re.findall(ex,page_text,re.S)

bs4解析

环境安装：

• pip install bs4

bs4数据解析的原理：

1. 实例化一个BeautifulSoup对象，并且将页面源码数据加载到该对象中
2. 通过调用BeautifulSoup对象中相关的属性或方法进行标签定位和数据提取

实例化一个BeautifulSoup对象:

- from bs4 import BeautifulSoup
- 对象的实例化：
    - 1.将本地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：

- 获取标签：
    - 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.tagName
        - 还可以通过属性定位：soup.find('tagName',class_/id/title/...=属性名)
    - soup.find_all('tagName'):返回符合要求的所有标签（列表），也可以通过属性定位
    
    - soup：select('.某种选择器(class)'),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
            - soup.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['属性名']
    
- 以上这些用法可以结合使用

xpath解析

最常用且最便捷高效的一种解析方式。具有通用性

xpath解析原理：

1. 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
2. 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

环境安装：

• pip install lxml

如何实例化一个etree对象:

- from lxml import etree #这种方式因为版本原因不可用
- 推荐使用下面这种导入方式
- from lxml import html
- etree = html.etree
    - 1.将本地的html文档中的源码数据加载到etree对象中：
        tree = etree.parse(filePath)
    - 2.可以将从互联网上获取的源码数据加载到该对象中
        tree = etree.HTML(page_text)

提供的用于数据解析的方法和属性：xpath表达式

- /:表示的是从根节点开始定位。表示一个层级
- //: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'] 
- 索引定位：//div[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     ==>img/src

应用多个xpath表达式：

a_list = tree.xpath('//div//li/a | //div[2]/li/a') #|表示可以使用两种编码方式

三种解析数据方式的比较

bs4与xpath只能解析标签，不能解析javascript，但正则表达式可以