爬蟲——網頁解析利器–re & xpath
- 2019 年 10 月 3 日
- 筆記
正則解析模塊re
re模塊使用流程
方法一
r_list=re.findall(‘正則表達式’,html,re.S)
方法二 創建正則編譯對象
pattern = re.compile(‘正則表達式’,re.S)
r_list = pattern.findall(html)
正則表達式元字符：https://www.cnblogs.com/LXP-Never/p/9522475.html
| 類別 | 元字符 |
| 匹配字符 | . […] [^…] d D w W s S |
| 匹配重複 | * + ? {n} {m,n} |
| 匹配位置 | ^ $ A Z b B |
| 其他 | | () |
匹配任意一個字符的正則表達式
import re pattern = re.compile('.',re.S) # 方法一 pattern = re.compile('[sS]') # 方法二
貪婪匹配和非貪婪匹配
貪婪匹配（默認）
- 在整個表達式匹配成功的前提下,儘可能多的匹配 * + ?
- 表示方式： .* .+ .?
非貪婪匹配
- 在整個表達式匹配成功的前提下,儘可能少的匹配 * + ?
- 表示方式： .*? .+? .??
正則表達式分組
作用：在完整的模式中定義子模式，將每個圓括號中子模式匹配出來。
import re s = 'A B C D' p1 = re.compile('w+s+w+') print(p1.findall(s)) # # ['A B','C D'] p2 = re.compile('(w+)s+w+') print(p2.findall(s)) # # ['A','C'] p3 = re.compile('(w+)s+(w+)') print(p3.findall(s)) # # [('A','B'),('C','D')]
import re html = '''<div class="animal"> <p class="name"> <a title="Tiger"></a> </p> <p class="content"> Two tigers two tigers run fast </p> </div> <div class="animal"> <p class="name"> <a title="Rabbit"></a> </p> <p class="content"> Small white rabbit white and white </p> </div>''' pattern = re.compile( '<div class="animal">.*?title="(.*?)".*?' 'class="content">(.*?)</p>', re.S) r_list = pattern.findall(html) print(r_list)
View Code
分組總結
- 在網頁中,想要什麼內容,就加 ( )
- 先按整體正則匹配，然後再提取分組()中的內容
- 如果有2個及以上分組(),則結果中以元組形式顯示 [(),(),()]
xpath解析
XPath即為XML路徑語言，它是一種用來確定XML文檔中某部分位置的語言，同樣適用於HTML文檔的檢索，我們來利用xpath對HTML代碼進行檢索試試，以下是HTML示例代碼。
<ul class="book_list"> <li> <title class="book_001">Harry Potter</title> <author>J K. Rowling</author> <year>2005</year> <price>69.99</price> </li> <li> <title class="book_002">Spider</title> <author>Forever</author> <year>2019</year> <price>49.99</price> </li> </ul>
匹配演示
1、查找所有的li節點
//li
2、查找li節點下的title子節點中,class屬性值為’book_001’的節點
//li/title[@class="book_001"]
3、查找li節點下所有title節點的,class屬性的值
//li//title/@class
只要涉及到條件，加 []
只要獲取屬性值，加 @
選取節點
// ：從所有節點中查找（包括子節點和後代節點）
@ ：獲取屬性值
# 使用場景1（屬性值作為條件） //div[@class="movie"] # 使用場景2（直接獲取屬性值） //div/a/@src
匹配多路徑（或）
xpath表達式1 | xpath表達式2 | xpath表達式3
contains() ：匹配屬性值中包含某些字符串節點
# 查找class屬性值中包含"book_"的title節點 //title[contains(@class,"book_")] # 匹配ID名含qiushi_tag_字符串的div節點 //div[contains(@id,"qiushi_tag_")]
text() ：獲取節點的文本內容
# 查找所有書籍的名稱 //ul[@class="book_list"]/li/title # 結果:<element title at xxxx> //ul[@class="book_list"]/li/title/text() # 結果:'Harry Potter'
練習貓眼電影xpath信息檢索：https://maoyan.com/board/4?offset=1
1、獲取貓眼電影中電影信息的 dd 節點
//dl[@class="board-wrapper"]/dd
2、獲取電影名稱
//dl[@class="board-wrapper"]/dd//p[@class="name"]/a/text()
3、獲取電影主演的
//dl[@class="board-wrapper"]/dd//p[@class="star"]/text()
4、獲取上映商檢的xpath
//dl[@class="board-wrapper"]/dd//p[@class="releasetime"]/text()
xpath解析庫lxml
- 導模塊 from lxml import etree
- 創建解析對象 parse_html = etree.HTML(html)
- 解析對象調用xpath，只要調用xpath，結果一定為列表 r_list = parse_html.xpath(‘xpath表達式’)
from lxml import etree html = """ <div class="wrapper"> <i class="iconfont icon-back" id="back"></i> <a href="/" id="channel">新浪社會</a> <ul id="nav"> <li><a href="http://domestic.firefox.sina.com/" title="國內">國內</a></li> <li><a href="http://world.firefox.sina.com/" title="國際">國際</a></li> <li><a href="http://mil.firefox.sina.com/" title="軍事">軍事</a></li> <li><a href="http://photo.firefox.sina.com/" title="圖片">圖片</a></li> <li><a href="http://society.firefox.sina.com/" title="社會">社會</a></li> <li><a href="http://ent.firefox.sina.com/" title="娛樂">娛樂</a></li> <li><a href="http://tech.firefox.sina.com/" title="科技">科技</a></li> <li><a href="http://sports.firefox.sina.com/" title="體育">體育</a></li> <li><a href="http://finance.firefox.sina.com/" title="財經">財經</a></li> <li><a href="http://auto.firefox.sina.com/" title="汽車">汽車</a></li> </ul> <i class="iconfont icon-liebiao" id="menu"></i> </div>""" # 問題1：獲取所有 a 節點的文本內容 parse_html = etree.HTML(html) r_list = parse_html.xpath('//a/text()') print(r_list) # ['新浪社會', '國內', '國際',.....] # 問題2：獲取所有 a 節點的 href 的屬性值 parse_html = etree.HTML(html) r_list = parse_html.xpath('//a/@href') print(r_list) # ['/', 'http://domestic.firefox.sina.com/', 'http://world.firefox.sina.com/'...] # 問題3： 獲取所有 a 節點的href的屬性值, 但是不包括 / parse_html = etree.HTML(html) r_list = parse_html.xpath('//ul[@id="nav"]/li/a/@href') print(r_list) # ['http://domestic.firefox.sina.com/', 'http://world.firefox.sina.com/'...] # 問題4： 獲取 圖片、軍事、...,不包括新浪社會 parse_html = etree.HTML(html) r_list = parse_html.xpath('//ul[@id="nav"]/li/a/text()') print(r_list) # ['國內', '國際',.....]
貓眼電影（xpath）
地址: 貓眼電影 – 榜單 – top100榜 https://maoyan.com/board/4
目標: 電影名稱、主演、上映時間
步驟：
- 確定是否為靜態頁面（右鍵-查看網頁源代碼，搜索關鍵字確認）
- 寫xpath表達式
- 寫程序框架
xpath表達式
1、基準xpath: 匹配所有電影信息的節點對象列表
//dl[@class=”board-wrapper”]/dd
2、遍歷對象列表，依次獲取每個電影信息
for dd in dd_list:
遍歷後繼續xpath一定要以: . 開頭，代表當前節點
電影名稱 ：
dd.xpath('./a/@title')[0].strip()
電影主演 ：
dd.xpath('.//p[@class="star"]/text()')[0].strip()
上映時間 ：
dd.xpath('.//p[@class="releasetime"]/text()')[0].strip()
完整代碼：
import requests from lxml import etree import time import random class MaoyanSpider(object): def __init__(self): self.page = 1 # 用於記錄頁數 self.url = 'https://maoyan.com/board/4?offset={}' self.ua_list = [ 'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/535.1 (KHTML, like Gecko) Chrome/14.0.835. 163 Safari/535.1', 'Mozilla/5.0 (Windows NT 6.1; WOW64; rv:6.0) Gecko/20100101 Firefox/6.0', 'Mozilla/4.0 (compatible; MSIE 8.0; Windows NT 6.1; WOW64; Trident/4.0; SLCC2; .NET CLR 2.0.50727; .NET CLR 3.5.30729; .NET CLR 3.0.30729; Media Center PC 6.0; .NET4.0C; InfoPath.3)'] # 獲取頁面 def get_page(self, url): # 每次使用隨機的user-agent try: # 每次使用隨機的user-agent headers = {'User-Agent': random.choice(self.ua_list)} res = requests.get(url, headers=headers, timeout=5) res.encoding = 'utf-8' html = res.text self.parse_page(html) except Exception as e: print('Error') self.get_page(url) # 解析頁面 def parse_page(self, html): parse_html = etree.HTML(html) # 創建解析對象 # 基準xpath節點對象列表 dd_list = parse_html.xpath('//dl[@class="board-wrapper"]/dd') item = {} # 依次遍歷每個節點對象,提取數據 if dd_list: for dd in dd_list: # ['喜劇之王'] 因為返回的是列表，所以取第0個值，得到的是字符串 name_list = dd.xpath('.//p/a/@title') # 電影名稱 item['name'] = [name_list[0].strip() if name_list else None][0] star_list = dd.xpath('.//p[@class="star"]/text()') # 電影主演 item['star'] = [star_list[0].strip() if star_list else None][0] time_list = dd.xpath('.//p[@class="releasetime"]/text()') # 上映時間 item['time'] = [time_list[0].strip() if time_list else None] print(item) else: print('No Data') # 主函數 def main(self): for offset in range(0, 31, 10): url = self.url.format(str(offset)) self.get_page(url) print('第%d頁完成' % self.page) time.sleep(random.randint(1, 3)) self.page += 1 if __name__ == '__main__': start = time.time() spider = MaoyanSpider() spider.main() end = time.time() print('執行時間: %.2f' % (end - start))
鏈家二手房案例（xpath）
確定是否為靜態
打開二手房頁面 -> 查看網頁源碼 -> 搜索關鍵字，能夠搜索到就說明，是靜態頁面。
xpath表達式
1、基準xpath表達式(匹配每個房源信息節點列表)
//ul[@class=”sellListContent”]/li[@class=”clear LOGCLICKDATA”] | //ul[@class=”sellListContent”]/li[@class=”clear LOGVIEWDATA LOGCLICKDATA”]
2、依次遍歷後每個房源信息xpath表達式
- 名稱: .//a[@data-el=”region”]/text()
- 戶型+面積+方位+是否精裝：info_list = ‘.//div[@class=”houseInfo”]/text()’ [0].strip().split(‘|’)
- 戶型: info_list[1]
- 面積: info_list[2]
- 方位: info_list[3]
- 精裝: info_list[4]
- 樓層: ‘.//div[@class=”positionInfo”]/text()’
- 區域: ‘.//div[@class=”positionInfo”]/a/text()’
- 總價: ‘.//div[@class=”totalPrice”]/span/text()’
- 單價: ‘.//div[@class=”unitPrice”]/span/text()’
代碼實現
import requests from lxml import etree import time import random class LianjiaSpider(object): def __init__(self): self.url = 'https://bj.lianjia.com/ershoufang/pg{}/' self.blog = 1 self.ua_list = [ 'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/535.1 (KHTML, like Gecko) Chrome/14.0.835.163 Safari/535.1', 'Mozilla/5.0 (Windows NT 6.1; WOW64; rv:6.0) Gecko/20100101 Firefox/6.0', 'Mozilla/4.0 (compatible; MSIE 8.0; Windows NT 6.1; WOW64; Trident/4.0; SLCC2; .NET CLR 2.0.50727; .NET CLR 3.5.30729; .NET CLR 3.0.30729; Media Center PC 6.0; .NET4.0C; InfoPath.3)', ] def get_html(self, url): headers = {'User-Agent': random.choice(self.ua_list)} # 嘗試3次,否則換下一頁地址 if self.blog <= 3: try: # 設定超時時間,超時後拋出異常,被except捕捉,繼續執行此函數再次請求 res = requests.get(url=url, headers=headers, timeout=5) res.encoding = 'utf-8' html = res.text self.parse_page(html) # 直接調用解析函數 except Exception as e: print('再次嘗試') self.blog += 1 self.get_html(url) def parse_page(self, html): parse_html = etree.HTML(html) # li_list: [<element li at xxx>,<element li at xxx>] li_list = parse_html.xpath('//ul[@class="sellListContent"]/li[@class="clear LOGVIEWDATA LOGCLICKDATA"]') item = {} for li in li_list: name_list = li.xpath('.//a[@data-el="region"]/text()') # 名稱 item['name'] = [name_list[0].strip() if name_list else None][0] info_list = li.xpath('.//div[@class="houseInfo"]/text()') # 戶型+面積+方位+是否精裝 if info_list: info_list = info_list[0].strip().split('|') if len(info_list) == 5: item['model'] = info_list[1].strip() item['area'] = info_list[2].strip() item['direction'] = info_list[3].strip() item['perfect'] = info_list[4].strip() else: item['model'] = item['area'] = item['direction'] = item['perfect'] = None else: item['model'] = item['area'] = item['direction'] = item['perfect'] = None floor_list = li.xpath('.//div[@class="positionInfo"]/text()') # 樓層 item['floor'] = [floor_list[0].strip().split()[0] if floor_list else None][0] address_list = li.xpath('.//div[@class="positionInfo"]/a/text()') # 地區 item['address'] = [address_list[0].strip() if address_list else None][0] total_list = li.xpath('.//div[@class="totalPrice"]/span/text()') # 總價 item['total_price'] = [total_list[0].strip() if total_list else None][0] unit_list = li.xpath('.//div[@class="unitPrice"]/span/text()') # 單價 item['unit_price'] = [unit_list[0].strip() if unit_list else None][0] print(item) def main(self): for pg in range(1, 11): url = self.url.format(pg) self.get_html(url) time.sleep(random.randint(1, 3)) # 對self.blog進行一下初始化 self.blog = 1 if __name__ == '__main__': start = time.time() spider = LianjiaSpider() spider.main() end = time.time() print('執行時間:%.2f' % (end - start))
Chrome瀏覽器安裝插件
安裝方法
- 把下載的相關插件（對應操作系統瀏覽器）後綴改為 .zip
- 打開Chrome瀏覽器 -> 右上角設置 -> 更多工具 -> 擴展程序 -> 點開開發者模式
- 把相關插件 拖拽 到瀏覽器中，釋放鼠標即可安裝
- 重啟瀏覽器
需要安裝插件
- Xpath Helper: 輕鬆獲取HTML元素的xPath路徑；打開/關閉: Ctrl+Shift+x
- Proxy SwitchyOmega: Chrome瀏覽器中的代理管理擴展程序
- JsonView: 格式化輸出json格式數據
