Python爬虫——bs4、xpath基本语法

数据解析原理

1. 标签定位
2. 提取标签、标签属性中存储的数据值

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者方法进行标签定位和数据提取

环境安装：

pip install bs4
pip install lxml

如何实例化BeautifulSoup对象：

from bs4 import BeautifulSoup

1.将本地的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：

• 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.div

• 属性定位
  soup.find(‘div’,class_/id/attr=‘song’)
  soup.find_all(‘tagName’):返回符合要求的所有标签（列表）

• select：
  select(‘某种选择器（id，class，标签…选择器）’),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
  oup.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[‘href’]

xpath解析：最常用且最便捷高效的一种解析方式。

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。

环境的安装：

 pip install lxml

如何实例化一个etree对象:

from lxml import etree

1. 将本地的html文档中的源码数据加载到etree对象中：

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

  etree.HTML('page_text')

xpath用法:

• /:表示的是从根节点开始定位。表示的是一个层级。
• //: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’] tag[@attrName=“attrValue”]
• 索引定位：//div[@class=“song”]/p[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