Python爬虫基础（二）：使用xpath与jsonpath解析爬取的数据

企业开发 2023-10-01 20:35:52 阅读次数: 0

文章目录

系列文章索引

Python爬虫基础（一）：urllib库的使用详解
Python爬虫基础（二）：使用xpath与jsonpath解析爬取的数据
Python爬虫基础（三）：使用Selenium动态加载网页
Python爬虫基础（四）：使用更方便的requests库
Python爬虫基础（五）：使用scrapy框架

一、使用xpath解析html文件

1、浏览器安装xpath-healper

（1）谷歌浏览器安装（需要科学上网）

打开浏览器，添加扩展程序（谷歌浏览器需要科学上网，其他浏览器不需要）：
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

（2）验证

按下ctrl+shift+x，在浏览器上方出现小黑框，则说明安装成功了（没出来的话重启浏览器尝试一下）。
在这里插入图片描述

（3）使用文件安装（不需科学上网）

下载文件：https://download.csdn.net/download/A_art_xiang/88305675

下载之后，解压压缩包。

在谷歌浏览器中，管理扩展程序，打开开发者模式，点击加载已解压的扩展程序，选择解压后的文件夹，添加即可。
在这里插入图片描述
在这里插入图片描述

2、安装lxml库

# 进入到python安装目录的Scripts目录
d:
cd D:\python\Scripts

# 安装lxml库
pip install lxml -i https://pypi.douban.com/simple

# 如果有报错的话，可以根据提示更新一下pip（一定要退出当前目录cd .. 不然安装失败）
# python.exe -m pip install --upgrade pip

3、xpath基本语法

1.路径查询
//：查找所有子孙节点，不考虑层级关系
/ ：找直接子节点

2.谓词查询
//div[@id]
//div[@id=“maincontent”]

3.属性查询
//@class
//@value

4.模糊查询
//div[contains(@id, “he”)]
//div[starts‐with(@id, “he”)]

5.内容查询
//div/h1/text()

6.逻辑运算
//div[@id=“head” and @class=“s_down”]
//title | //price

4、xpath解析本地文件实例

准备一个html测试文件：

<!DOCTYPE html>
<html lang="en">
<head>
    <meta charset="UTF-8"/>
    <title>Title</title>
</head>
<body>
    <ul>
        <li id="l1" class="c1">北京</li>
        <li id="l2">上海</li>
        <li id="c3">深圳</li>
        <li id="c4">武汉</li>
    </ul>

    <ul>
        <li>大连</li>
        <li>锦州</li>
        <li>沈阳</li>
    </ul>
</body>
</html>

from lxml import etree

# xpath解析
# xpath解析本地文件，使用parse方法
tree = etree.parse('index.html')

#tree.xpath('xpath路径')

# 1.路径查询
# 查找ul下面的li （7个数据）
li_list = tree.xpath('//body/ul/li')

# 2.谓词查询
# 查找所有有id的属性的li标签
# text()获取标签中的内容 （结果：['北京', '上海', '深圳', '武汉']）
li_list = tree.xpath('//ul/li[@id]/text()')

# 找到id为l1的li标签  注意引号的问题 （结果：['北京']）
li_list = tree.xpath('//ul/li[@id="l1"]/text()')

# 3.属性查询
# 查找到id为l1的li标签的class的属性值 （结果：['c1']）
li_list = tree.xpath('//ul/li[@id="l1"]/@class')

# 4.模糊查询
# 查询id中包含l的li标签 （结果：['北京', '上海']）
li_list = tree.xpath('//ul/li[contains(@id,"l")]/text()')

# 查询id的值以l开头的li标签（结果：['深圳', '武汉']）
li_list = tree.xpath('//ul/li[starts-with(@id,"c")]/text()')

# 6.逻辑运算
#查询id为l1和class为c1的（结果：['北京']）
li_list = tree.xpath('//ul/li[@id="l1" and @class="c1"]/text()')
# 查询id为l1的内容和id为l2的内容 （结果：['北京', '上海']）
li_list = tree.xpath('//ul/li[@id="l1"]/text() | //ul/li[@id="l2"]/text()')


print(li_list)
# 判断列表的长度
print(len(li_list))

5、实战：获取小说的标题与内容

我们查找到该小说的标题所在的标签：
在这里插入图片描述

使用ctrl+shift+x打开我们之前安装的xpath-helper，可以进行验证：
在这里插入图片描述

同理，获取小说的内容。

编写代码，获取小说章节的标题与内容：

# （1） 获取网页的源码
# （2） 解析   解析的服务器响应的文件  etree.HTML
#  (3)  打印

import urllib.request

# 获取小说文章
url = 'http://www.yetianlian.cc/yt4017/29601238.html'

headers = {
    
    
    'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/92.0.4515.159 Safari/537.36'
}

# 请求对象的定制
request = urllib.request.Request(url = url,headers = headers)

# 模拟浏览器访问服务器
response = urllib.request.urlopen(request)

# 获取网页源码
content = response.read().decode('utf-8')

# 解析网页源码 来获取我们想要的数据
from lxml import etree

# 解析服务器响应的文件 使用HTML方法 
tree = etree.HTML(content)

# 获取想要的数据  xpath的返回值是一个列表类型的数据

# 获取小说的标题
result = tree.xpath('//div[@class="content"]/h1/text()')[0]
print(result)
# 获取小说的内容
result = tree.xpath('//div[@id="content"]/text()')
# 遍历内容
for res in result:
    print(res)

6、实战：下载站长素材图片

在这里插入图片描述

# (1) 请求对象的定制
# （2）获取网页的源码
# （3）下载


# 需求 下载的前十页的图片

import urllib.request
from lxml import etree

def create_request(page):
    if(page == 1):
        url = 'https://sc.chinaz.com/tupian/fengjing.html'
    else:
        url = 'https://sc.chinaz.com/tupian/fengjing_' + str(page) + '.html'

    headers = {
    
    
        'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/92.0.4515.159 Safari/537.36',
    }

    request = urllib.request.Request(url = url, headers = headers)
    return request

def get_content(request):
    response = urllib.request.urlopen(request)
    content = response.read().decode('utf-8')
    return content


def down_load(content):
#     下载图片
    # urllib.request.urlretrieve('图片地址','文件的名字')
    tree = etree.HTML(content)

    # 获取图片的alt属性，作为图片名
    name_list = tree.xpath('//div[@class="item"]/img/@alt')

    # 一般设计图片的网站都会进行懒加载
    # 取src有可能取不到，可以取data-original，作为图片地址
    src_list = tree.xpath('//div[@class="item"]/img/@data-original')

    # 判断目录是否存在
    import os
    dir_path = './images/'
    # 使用os模块的`path.exists()`方法来检查目录是否存在
    if not os.path.exists(dir_path):
        # 如果目录不存在，则使用os模块的`mkdir()`方法创建目录
        os.mkdir(dir_path)

    for i in range(len(name_list)):
        name = name_list[i]
        src = src_list[i]
        url = 'https:' + src
        # 将图片保存到本地，需要手动创建images目录
        urllib.request.urlretrieve(url=url,filename=dir_path + name + '.jpg')

if __name__ == '__main__':
    start_page = int(input('请输入起始页码'))
    end_page = int(input('请输入结束页码'))

    for page in range(start_page,end_page+1):
        # (1) 请求对象的定制
        request = create_request(page)
        # （2）获取网页的源码
        content = get_content(request)
        # （3）下载
        down_load(content)

二、使用JsonPath解析json本地文件

1、JsonPath基本介绍

JsonPath只能解析json文件，而不是像xpath既可以解析文件，也可以直接解析字符串。

所以说，想要使用JsonPath解析JSON，只能将爬取的json数据保存到本地之后，才能进行解析。

JsonPath用起来与xpath类似，也需要使用其特定的语法，以下是JSONPath语法元素和对应XPath元素的对比：

XPath JSONPath Description
/ $ 表示根元素
. @ 当前元素
/ . or [] 子元素
… n/a 父元素
// … 递归下降，JSONPath是从E4X借鉴的。
* * 通配符，表示所有的元素
@ n/a 属性访问字符
[] [] 子元素操作符
| [,] 连接操作符在XPath 结果合并其它结点集合。JSONP允许name或者数组索引。
n/a [start:end :step] 数组分割操作从ES4借鉴。
[] ?() 应用过滤表示式
n/a () 脚本表达式，使用在脚本引擎下面。
() n/a Xpath分组

2、安装JsonPath

d:
cd D:\python\Scripts
# 安装
pip install jsonpath -i https://pypi.douban.com/simple

3、使用实例

{
    
     "store": {
    
    
    "book": [
      {
    
     "category": "修真",
        "author": "六道",
        "title": "坏蛋是怎样练成的",
        "price": 8.95
      },
      {
    
     "category": "修真",
        "author": "天蚕土豆",
        "title": "斗破苍穹",
        "price": 12.99
      },
      {
    
     "category": "修真",
        "author": "唐家三少",
        "title": "斗罗大陆",
        "isbn": "0-553-21311-3",
        "price": 8.99
      },
      {
    
     "category": "修真",
        "author": "南派三叔",
        "title": "星辰变",
        "isbn": "0-395-19395-8",
        "price": 22.99
      }
    ],
    "bicycle": {
    
    
      "author": "老马",
      "color": "黑色",
      "price": 19.95
    }
  }
}

import json
import jsonpath

# 总体分两步：加载、解析
# obj = json.load(open('json文件', 'r', encoding='utf‐8'))
# ret = jsonpath.jsonpath(obj, 'jsonpath语法')

obj = json.load(open('_jsonpath.json','r',encoding='utf-8'))

# 书店所有书的作者
# author_list = jsonpath.jsonpath(obj,'$.store.book[*].author')
# print(author_list)

# 所有的作者
# author_list = jsonpath.jsonpath(obj,'$..author')
# print(author_list)

# store下面的所有的元素
# tag_list = jsonpath.jsonpath(obj,'$.store.*')
# print(tag_list)

# store里面所有东西的price
# price_list = jsonpath.jsonpath(obj,'$.store..price')
# print(price_list)

# 第三个书
# book = jsonpath.jsonpath(obj,'$..book[2]')
# print(book)

# 最后一本书
# book = jsonpath.jsonpath(obj,'$..book[(@.length-1)]')
# print(book)

# 	前面的两本书
# book_list = jsonpath.jsonpath(obj,'$..book[0,1]')
# book_list = jsonpath.jsonpath(obj,'$..book[:2]')
# print(book_list)

# 条件过滤需要在（）的前面添加一个？
# 	 过滤出所有的包含isbn的书。
# book_list = jsonpath.jsonpath(obj,'$..book[?(@.isbn)]')
# print(book_list)


# 哪本书超过了10块钱
book_list = jsonpath.jsonpath(obj,'$..book[?(@.price>10)]')
print(book_list)

4、实战：解析淘票票下所有区域列表

鼠标移到地址的位置之后，会调用一个post请求，获取全国所有的地址。
在这里插入图片描述
因为JsonPath只能解析本地文件，不能直接解析字符串，我们还需要将json存放到本地，才能解析。

但是这个接口的返回信息，并不是一个json数据，所以需要进行特殊处理。
在这里插入图片描述

import urllib.request

url = 'https://dianying.taobao.com/cityAction.json?activityId&_ksTS=1629789477003_137&jsoncallback=jsonp138&action=cityAction&n_s=new&event_submit_doGetAllRegion=true'

headers = {
    
    
    'referer': 'https://dianying.taobao.com/',
}

request = urllib.request.Request(url = url, headers = headers)

response = urllib.request.urlopen(request)

content = response.read().decode('utf-8')

# split 切割，对结果进行处理，获取最终的json
content = content.split('(')[1].split(')')[0]

with open('tpp.json','w',encoding='utf-8')as fp:
    fp.write(content)

import json
import jsonpath

obj = json.load(open('tpp.json','r',encoding='utf-8'))

# 获取所有的城市中文名
city_list = jsonpath.jsonpath(obj,'$..regionName')

print(city_list)

三、使用BeautifulSoup解析html文件

1、基本介绍

1.BeautifulSoup简称：
bs4

2.什么是BeatifulSoup？
BeautifulSoup，和lxml一样，是一个html的解析器，主要功能也是解析和提取数据

3.优缺点？
缺点：效率没有lxml的效率高
优点：接口设计人性化，使用方便

2、安装BeautifulSoup

d:
cd D:\python\Scripts
# 安装
pip install bs4 -i https://pypi.douban.com/simple

3、基本使用

服务器响应的文件生成对象：
soup = BeautifulSoup(response.read().decode(), ‘lxml’)

本地文件生成对象：
soup = BeautifulSoup(open(‘1.html’), ‘lxml’)
注意：默认打开文件的编码格式gbk所以需要指定打开编码格式

1.根据标签名查找节点
soup.a 【注】只能找到第一个a
soup.a.name
soup.a.attrs

2.函数
(1).find(返回一个对象)
find(‘a’)：只找到第一个a标签
find(‘a’, title=‘名字’)
find(‘a’, class_=‘名字’)

(2).find_all(返回一个列表)
find_all(‘a’) 查找到所有的a
find_all([‘a’, ‘span’]) 返回所有的a和span
find_all(‘a’, limit=2) 只找前两个a

(3).select(根据选择器得到节点对象)【推荐】
1.element
eg:p
2…class
eg:.firstname
3.#id
eg:#firstname
4.属性选择器
[attribute]
eg:li = soup.select(‘li[class]’)
[attribute=value]
eg:li = soup.select(‘li[class=“hengheng1”]’)
5.层级选择器
element element
div p
element>element
div>p
element,element
div,p
eg:soup = soup.select(‘a,span’)

4、使用实例

本地html文件：

<!DOCTYPE html>
<html lang="en">
<head>
    <meta charset="UTF-8">
    <title>Title</title>
</head>
<body>

    <div>
        <ul>
            <li id="l1">张三</li>
            <li id="l2" class="a1">李四</li>
            <li>王五</li>
            <a href="" id="" class="a1">腾讯</a>
            <span>嘿嘿嘿</span>
        </ul>
    </div>


    <a href="" title="a2">百度</a>

    <div id="d1">
        <span>
            哈哈哈
        </span>
    </div>

    <p id="p1" class="p1">呵呵呵</p>
</body>
</html>

from bs4 import BeautifulSoup

# 通过解析本地文件 来将bs4的基础语法进行讲解
# 默认打开的文件的编码格式是gbk 所以在打开文件的时候需要指定编码
soup = BeautifulSoup(open('075_尚硅谷_爬虫_解析_bs4的基本使用.html',encoding='utf-8'),'lxml')

# 根据标签名查找节点
# 找到的是第一个符合条件的数据，查找第一个a标签 结果：<a class="a1" href="" id="">腾讯</a>
print(soup.a)
# 获取标签的属性和属性值 结果：{'href': '', 'id': '', 'class': ['a1']}
print(soup.a.attrs)

# bs4的一些函数
# （1）find
# 返回的是第一个符合条件的数据 结果：<a class="a1" href="" id="">腾讯</a>
print(soup.find('a'))

# 根据title的值来找到对应的标签对象 结果：<a href="" title="a2">百度</a>
print(soup.find('a',title="a2"))

# 根据class的值来找到对应的标签对象  注意的是class需要添加下划线 结果：<a class="a1" href="" id="">腾讯</a>
print(soup.find('a',class_="a1"))

# （2）find_all  
# 返回的是一个列表 并且返回了所有的a标签 结果：[<a class="a1" href="" id="">腾讯</a>, <a href="" title="a2">百度</a>]
print(soup.find_all('a'))

# 如果想获取的是多个标签的数据 那么需要在find_all的参数中添加的是列表的数据
# 结果：a和span都返回了，是一个列表
print(soup.find_all(['a','span']))

# limit的作用是查找前几个数据
print(soup.find_all('li',limit=2))

# （3）select（推荐）
# select方法返回的是一个列表  并且会返回多个数据
# 结果：返回所有的a标签
print(soup.select('a'))

# 可以通过.代表class  我们把这种操作叫做类选择器
# 选择所有class为a1的标签
print(soup.select('.a1'))
# 选择id为l1的标签
print(soup.select('#l1'))


# 属性选择器---通过属性来寻找对应的标签
# 查找到li标签中有id的标签
print(soup.select('li[id]'))

# 查找到li标签中id为l2的标签
print(soup.select('li[id="l2"]'))


# 层级选择器
#  后代选择器
# 找到的是div下面的li，不限层级
print(soup.select('div li'))

# 子代选择器
#  某标签的第一级子标签，注意是第一个子级
# 注意：很多的计算机编程语言中 如果不加空格不会输出内容  但是在bs4中 不会报错 会显示内容
print(soup.select('div > ul > li'))


# 找到a标签和li标签的所有的对象，相当于find_all
print(soup.select('a,li'))

# 获取节点信息
#    获取节点内容
obj = soup.select('#d1')[0]
# 如果标签对象中 只有内容 那么string和get_text()都可以使用
# 如果标签对象中 除了内容还有标签 那么string就获取不到数据 而get_text()是可以获取数据
# 我们一般情况下  推荐使用get_text()
print(obj.string)
# 获取标签的内容
print(obj.get_text())

# 节点的属性
obj = soup.select('#p1')[0]
# name是标签的名字 ： p
print(obj.name)
# 将属性值作为一个字典返回 结果：{'id': 'p1', 'class': ['p1']}
print(obj.attrs)

# 获取节点的属性
obj = soup.select('#p1')[0]
# 获取class属性，结果：p1
print(obj.attrs.get('class'))
# 也可以获取class属性，结果：p1
print(obj.get('class'))
# 同样可以获取class属性
print(obj['class'])

5、实战：获取星巴克中产品名

在这里插入图片描述

import urllib.request

url = 'https://www.starbucks.com.cn/menu/'

response = urllib.request.urlopen(url)

content = response.read().decode('utf-8')

from bs4 import BeautifulSoup

soup = BeautifulSoup(content,'lxml')

# 用xpath的话，就是：//ul[@class="grid padded-3 product"]//strong/text()
name_list = soup.select('ul[class="grid padded-3 product"] strong')

for name in name_list:
    print(name.get_text())

猜你喜欢

转载自blog.csdn.net/A_art_xiang/article/details/132708736
今日推荐
美国拟限制 AI 大模型出口中国和俄罗斯
苹果将与 OpenAI 达成协议，将 ChatGPT 应用于 iPhone
openKylin 社区生态委员会第六次会议圆满召开
阿里云正式发布通义千问 2.5
Python 3.13 发布首个 Beta：实验性自由线程模式和 JIT、改进交互式解释器
Stack Overflow 拿我的代码去训练 AI 大模型，还封了我的账号
Pop!_OS 的 COSMIC 桌面完成 App Store 上架工作
报告：Django 仍然是 74% 开发者的首选
《2024 年一季度互联网投融资运行情况》研究报告
15 年前上了“FFmpeg 耻辱柱”，今天他还得谢谢咱——腾讯QQPlayer一雪前耻？
TIOBE 5 月榜单：Fortran “复活”进入 Top 10
GCC 14.1 发布
周排行
curl的POST请求，封装方法
8.1.1. Integer Types
Java基础 Day05(个人复习整理)
Python - Django - 中间件 process_exception
小L的试卷
【Shell编程】 （函数）判断用户是否存在
python(css样式)
spring ant path 匹配原则 - 【笔记】
《JavaScript与JScript从入门到精通》(美)James.Jaworski.中译本.扫描版.pdf
Eclipse运行带参数的java程序
每日归档
更多
2024-05-12(0)
2024-05-11(38)
2024-05-10(38)
2024-05-09(35)
2024-05-08(42)
2024-05-07(14)
2024-05-06(40)
2024-05-05(0)
2024-05-04(7)
2024-05-03(19)

代码天地 © 2018 codetd.com

境外服务器   最新电视剧2022