【0基础学爬虫】爬虫基础之网页解析库的使用_全球百事通

2023-03-30 15:20:53   来源:博客园

大数据时代,各行各业对数据采集的需求日益增多,网络爬虫的运用也更为广泛,越来越多的人开始学习网络爬虫这项技术,K哥爬虫此前已经推出不少爬虫进阶、逆向相关文章,为实现从易到难全方位覆盖,特设【0基础学爬虫】专栏,帮助小白快速入门爬虫,本期为网页解析库的使用。

概述

前几期的文章中讲到了网络请求库的使用,我们已经能够使用各种库对目标网址发起请求,并获取响应信息。本期我们会介绍各网页解析库的使用,讲解如何解析响应信息,提取所需数据。

XPath的使用

XPath 是一门在 XML 文档中查找信息的语言。XPath 可用来在 XML 文档中对元素和属性进行遍历。同样,XPath 也支持HTML文档的解析。


【资料图】

介绍

XPath 使用路径表达式来匹配HTML文档中的节点或节点集,路径表达式基于HTML文档树,因此在学习XPath 时需要对网页结构有一个初步了解,关于网页结构这些在之前的文章《网页基本结构》中已经介绍到了。

安装

使用XPath 需要安装Python的第三方库lxml,可以使用命令pip install lxml进行安装

使用

下文中,我们会通过一个示例来了解xpath的用法。

这是一个测试网页1

这是一个测试网页2

标题

内容1

内容2

内容3

这是一个简单的网页body结构。我们想要提取页面中的信息,就需要先分析它的结构,理清结构后,编写路径表达式就会更加方便。在前文对xpath的介绍中我们了解到xpath是对XML或HTML文档进行解析的功能,但在代码中,示例中的html文本只是一段字符串,所以在使用xpath进行匹配前首先要将字符串转成HTML对象。

from lxml import etreeelement = """    

这是一个测试网页1

这是一个测试网页2

标题

内容1

内容2

内容3

"""html = etree.HTML(element)print(html)#输出:

将文本转化为html对象后,就可以使用xpath进行匹配了。

路径表达式

表达式描述示例示例描述
nodename选取此节点下的所有子节点head获取当前head节点下的所有子节点
/从根节点选取/html/head从根节点匹配head节点
//从任意位置匹配节点//head匹配任意head节点
.选取当前节点
..选取当前节点的父节点//head/..匹配head节点的父节点
@选取属性//div[@id="box"]匹配任意id值为box的div标签

选取节点

以示例代码为例,我们想要匹配所有的li标签,可以这样实现:

html.xpath("//li")#输出 [, , , ]

谓语

获取id属性值为box的div标签信息

html.xpath("//div[@id="box"]")#输出 []

获取所有class属性值为article的标签信息

html.xpath("//*[@class="article"]")#输出 [, , , ]

获取所有class属性值为article的标签下h3标签的文本信息

html.xpath("//*[@class="article"]/h3/text()")#输出 ["标题"]

获取所有class属性值为article的标签下p标签的文本信息

html.xpath("//*[@class="article"]/p/text()")#输出 ["内容1", "内容2", "内容3"]

获取第一个li标签的文本信息

html.xpath("//li[1]/text()")#输出 ["北京"]

获取最后一个li标签下的所有文本信息

html.xpath("//li[last()]//text()")#输出 ["深圳"]

获取倒数第二个li标签下的所有文本信息

html.xpath("//li[last()-1]//text()")#输出 ["广州"]

获取前两个li标签下的文本信息

html.xpath("//li[position()<3]//text()")#输出 ["北京", "上海"]

选取多个路径

html.xpath("//div[@class="article"]/h3/text() | //div[@id="box"]/p/text()")#输出 ["这是一个测试网页1", "标题"]

轴可定义相对于当前节点的节点集。

轴名称结果
ancestor选取当前节点的所有先辈(父、祖父等)。
ancestor-or-self选取当前节点的所有先辈(父、祖父等)以及当前节点本身。
attribute选取当前节点的所有属性。
child选取当前节点的所有子元素。
descendant选取当前节点的所有后代元素(子、孙等)。
descendant-or-self选取当前节点的所有后代元素(子、孙等)以及当前节点本身。
following选取文档中当前节点的结束标签之后的所有节点。
namespace选取当前节点的所有命名空间节点。
parent选取当前节点的父节点。
preceding选取文档中当前节点的开始标签之前的所有节点。
preceding-sibling选取当前节点之前的所有同级节点。
self选取当前节点。

获取ul标签下的子li标签下的a标签的href属性

html.xpath("//ul/child::li/a/@href")#输出 ["sz.html"]

获取a标签的所有先辈div标签

html.xpath("//a/ancestor::div")#输出 []

获取a标签的所有属性

html.xpath("//a/attribute::*")#输出 ["sz", "sz.html", "_self"]

获取id属性值为u2的li标签之后的所有p标签的文本信息

html.xpath("//li[@id="u2"]/following::p/text()")#输出 ["内容1", "内容2", "内容3"]

获取id属性值为u2的li标签之前的所有p标签的文本信息

html.xpath("//li[@id="u2"]/preceding::p/text()")#输出 ["这是一个测试网页1", "这是一个测试网页2"]

获取id属性值为u2的li标签之后的所有同级标签的文本信息

html.xpath("//li[@id="u2"]/following-sibling::*/text()")#输出 ["广州"]

获取id属性值为u3的li标签之前的所有同级标签的文本信息

html.xpath("//li[@id="u2"]/preceding-sibling::*/text()")#输出 ["北京"]

运算符

获取id属性值为u1或者u2的标签下的文本信息

html.xpath("//li[@id="u1" or @id="u2"]/text()")#输出 ["北京", "上海"]

判断a标签的name属性值是否为sz

html.xpath("//a/@name="sz"")#输出 True

函数

xpath提供了非常多的内置函数,这些函数可以用于各种值的计算与处理,这里只介绍常用的函数。

获取所有属性值包含test的标签的文本信息

html.xpath("//*[contains(attribute::*,"test")]/text()")#输出 ["这是一个测试网页1", "这是一个测试网页2"]

将id为u1的li标签和id为u2的li标签的文本信息进行拼接

html.xpath("concat(//li[@id="u1"]/text(),//li[@id="u2"]/text())")#输出 北京上海

获取id属性值以u开头的所有li标签的文本信息

html.xpath("//li[starts-with(@id,"u")]/text()")#输出 ["北京", "上海", "广州"]

上文中讲到的路径表达式的写法只是xpath中比较常用的写法,基本能够覆盖大部分需求。xpath路径也可以通过F12开发者工具直接获取,在 element 中右键需要匹配的节点元素,复制完整xpath即可。复制下来的完整xpath路径如:/html/body/ul/li[1]。这种方法虽然简单,但实际上路径并不准确,而且路径为绝对路径,相对复杂,所以路径表达式推荐自己手动编写。

BeautifulSoup的使用

BeautifulSoup与上文中介绍的xpath一样,都是用于解析XML或HTML标签中的信息。BeautifulSoup 与 xpath 各有优势,使用哪个可以凭个人喜好。

安装

目前流行的 beautifulsoup 版本为beautifulsoup4,下面简称bs4。

pip install beautifulsoup4

使用

与 xpath 不同,bs4 需要自己选择解析器,常用的解析器有:

html.parser:Python内置解析器

lxml HTML:HTML解析器

lxml XML:XML解析器

各解析器之间的区别主要在于文档解析容错能力,对于不规范的 HTML 文本,它们的解析结果并不一致。

这里我们推荐使用 lxml 作为解析器,使用 lxml 作为解析器需要提前安装 lxml 第三方库。

from bs4 import BeautifulSouphtml = """    

这是一个测试网页1

这是一个测试网页2

标题

内容1

内容2

内容3

"""soup = BeautifulSoup(html,"lxml")#返回完整的html文本

bs4的写法比较简洁,更人性化。

soup.body :获取body信息soup.li :获取第一个li标签soup.div :获取第一个div标签soup.li["id"] :获取第一个li标签的id属性值soup.a.attrs :获取第一个a标签的所有属性值,返回类型为字典

获取多个信息

soup.find_all("li") :获取所有li标签soup.find_all(["p","a"]) :获取所有p标签与a标签soup.find_all("div","article") :获取所有类名为article的div标签soup.find_all(id="box") :获取所有id属性值为box的标签

节点

soup.ul.parent :获取ul标签的父节点soup.find("a").find_parent("li") :获取第一个a标签的父li标签soup.find("a").find_parents("li") :获取第一个a标签的所有父li标签soup.find("li").find_next_siblings("li") :获取第一个li标签后的兄弟li标签soup.find("li").find_next_sibling("li") :获取第一个li标签后的第一个兄弟li标签soup.find(attrs={"id":"u4"}).find_previous_siblings("li") :获取id属性值为u4的li标签前的所有兄弟li标签soup.find(attrs={"id":"u4"}).find_previous_sibling("li") :获取id属性值为u4的li标签前的第一个兄弟li标签

CSS选择器

BeautifulSoup 支持大部分的CSS选择器,CSS选择器在之前的文章《网页基本结构》中做了介绍。

soup.select("div h3") :获取div下的h3标签soup.select("#city #u2") :获取id属性值为city的标签下id值u2的标签soup.select("a[href="sz.html"]") :获取href属性值为sz.html的a标签soup.select_one(".article") :获取第一个类名为article的标签

bs4 作用上与 xpath 基本一致,但是 bs4 的优势就在于语句的简洁性,用bs4匹配数据比 xpath 稍微简单一些,但是它在性能上比 xpath 要稍弱。

re正则表达式的使用

正则表达式(Regular Expression,通常简写为“regex”或“regexp”)是一种用来匹配文本字符串的模式。在编程和文本处理中,正则表达式通常被用来进行字符串匹配、搜索、替换等操作。

实际开发中,我们会对一些非结构化数据进行解析,对于这类数据,无论是 xpath 还是 BeautifulSoup 都无法进行解析。这时我们就需要用到正则表达式,正则表达式的强大在于它能够匹配任意类型的文本数据,可以帮助开发者快速的处理文本数据。

安装

Python 中内置了 re 库,无需额外安装

使用

模式描述
\w匹配字母数字及下划线
\W匹配非字母数字及下划线
\s匹配任意空白字符,等价于[\t\n\r\f]
\S匹配任意非空白字符
\d匹配任意数字,等价于[0-9]
\D匹配任意非数字的字符
\A匹配字符串的开头
\Z匹配字符串的结尾,如存在换行,只匹配到换行前的结束字符串
\z匹配字符串的结尾,如存在换行,会匹配换行符
^匹配字符串的开头
$匹配字符串的结尾
.匹配任意字符,除换行符,当re.DOTALL被指定时可以匹配包括换行符的任意字符
[...]匹配一组字符,如[abc],匹配a,b,c
[^...]匹配不在[]中的字符
*匹配0或多个表达式
+匹配1或多个表达式
?对它前面的正则式匹配0到1次
匹配n个之前的正则表达式
对表达式进行n到m次匹配,尽量取最多
a|b匹配a或b
()匹配括号内的任意表达式

compile函数

re.compile 可以将正则表达式样式的字符串编译为一个正则表达式对象,可以通过这个对象来调用下述方法。

pattern = re.compile("\d")

match函数

re.match 会从字符串的起始位置进行匹配正则表达式,匹配成功后会返回匹配成功的结果,匹配失败则返回None。

import re#匹配字符apattern = re.compile("a") #从字符串开头开始匹配print(pattern.match("cat")) #从下标为1的位置开始匹配print(pattern.match("cat",1)) 

运行结果:

None

表达式匹配:

#以hello开头中间为数字后面是World的字符串pattern = re.compile("^hello\s(\d+)\sWorld") print(pattern.match("hello 123 World!!!")) 

运行结果:

可以看到,两次的运行结果都是一个对象,可以使用group()方法获取匹配到的文本信息。

pattern = re.compile("^hello\s(\d+)\sWorld")result = pattern.match("hello 123 World!!!")print(result.group())print(result.group(1))

运行结果:

hello 123 World123

group(1)会返回第一个被括号包围的匹配结果,示例中被括号包围的是\d+,所以输出的结果为123。

Search函数

match函数是从字符串的开头开始匹配,想要从其它地方开始匹配需要自己传入位置,用这种方法匹配数据局限性很大。我们想要从任意位置开始匹配数据可以使用 re.search 函数。

pattern = re.compile("(\d+)")result = pattern.search("hello 123 World321!!!")print(result)print(result.group(1))

运行结果:

123

可以看到,使用 search 方法我们无需指定位置,它会搜寻整个字符串,返回第一个匹配成功的结果。

findall函数

search 函数可以从任意位置进行匹配,但是它只会返回第一个匹配成功的结果。我们想要获取所有匹配成功的结果就需要用到 findall 函数。

pattern = re.compile("(\d+)")result = pattern.findall("hello 123 World321!!!")print(result)

运行结果:

["123", "321"]

findall 函数会返回一个列表,因此 findall 函数返回的结果无法使用 group 方法。

通用匹配

在实际开发中,我们往往会遇到非常复杂的文本结构如:

"hello 123 this is a 999Regex Demo!!!World321"

这时如果使用\w,\s进行匹配会显得非常复杂,这时我们就可以使用一个通配组合.*,上文中介绍到了.是匹配任意字符,*是匹配0或多个表达式,.*搭配在一起就是匹配任意多个字符。使用.*可以简单有效的进行数据匹配。

#匹配hello World之间的信息pattern = re.compile("hello(.*)World")result = pattern.findall("hello123 World this is a 999Regex Demo!!!World321")print(result)

运行结果:

["123 World this is a 999Regex Demo!!!"]

这里我们可以看到,使用.*后它匹配到了第一个 hello 到最后一个 World 之间的所有文本。但如果我们想要匹配 hello 到第一个 world 之间的信息呢。这时我们就需要了解一下贪婪匹配与非贪婪匹配。

贪婪与非贪婪

顾名思义,贪婪模式表示尽可能多的匹配,非贪婪模式表示尽可能少的匹配。从上文的示例我们可以看到re.compile("hello(.*)World")它会从 hello 开始,匹配到最后一个 World,这显然就是贪婪模式,它会尽可能多的匹配,也就是匹配到最后一个符合规则的位置。正则表达式中,非贪婪模式需要使用到?,前文中讲到了?是匹配0到1次,使用?就能实现尽可能少的匹配。

#匹配hello World之间的信息(非贪婪)pattern = re.compile("hello(.*?)World")result = pattern.findall("hello123 World this is a 999Regex Demo!!!World321")print(result)

运行结果:

["123 "]

可以看到使用.*?后,正则表达式只匹配到第一个 World 就停下了,这样就实现了非贪婪匹配。

Newspaper智能解析库的使用

Newspaper 是 Python 的第三方库,主要用于抓取新闻网页。它能够自动解析网页内容,匹配出新闻的各种信息。而且操作简单,非常容易上手。但是它并不适用于实际开发,因为它不够稳定,存在各种问题,无法应对爬虫开发中可能遇到的问题,如反爬虫等,所以这里对它只做介绍。

安装

命令行安装:pip install newspaper3k

使用

它的使用非常简单,传入目标网址后,调用 download() 方法下载网页源代码,使用 parse() 方法解析源码。

from newspaper import Article# 目标新闻网址url = "https://目标文章"news = Article(url, language="zh")news.download()news.parse()#获取新闻网页源码print(news.html)#获取新闻标题print(news.title)#获取新闻正文print(news.text)#获取新闻作者print(news.authors)#获取新闻发布时间print(news.publish_date)#获取新闻关键词print(news.keywords)#获取新闻摘要print(news.summary)#获取新闻配图地址print(news.top_image)#获取新闻视频地址print(news.movies)

Newspaper 可以与 requests 配合使用,通过 requests 获取源码,由 Newspaper 进行解析提取。Newspaper 库并不能完美的解析出各种信息,适合非专业人士使用。

总结

上文中,讲到了四个爬虫解析库的使用,其中 xpath 与 beautifulSoup 主要用于对 html 文本的解析,正则表达式主要用于对非结构化文本的解析,无法用 xpath 和 beautifulSoup 解析的文本信息通常会使用正则来进行匹配。Newspaper 是智能解析库,使用它可以自动解析新闻信息,无需自己编写表达式,但是缺点也很明显 。

与网络请求库一样,网页解析库的使用是每一个爬虫初学者都应该牢牢掌握的知识点,能够熟练的使用解析库才能更好的完成数据采集工作。

标签: