XPath 案例补充+Beauitful Soup入门

XPath 案例补充

1. index 的应用

from lxml import etreeimport csvhtml = """<html>    <head>        <title>测试</title>     </head>    <body>         <li class="item-0">first item</li>         <li class="item-1">second item</li>         <li class="item-inactive">third item</li>         <li class="item-1">fourth item</li>         <div>            <li class="item-0">fifth item</li>         </div>         <span>            <li class="item-0">sixth item</li>            <div>                <li class="item-0">eighth item</li>            </div>         </span>     </body></html>"""tree = etree.HTML(html)# [m:n] 左闭右开texts = tree.xpath('//li/text()')[:3]cs = tree.xpath('//li/@class')[:3]# print(texts)  # ['first item', 'second item', 'third item']# print(cs)  # ['item-0', 'item-1', 'item-inactive']# 定义一个列表 用来寄存所有数据lst_data = []for c in cs:    # 定义一个字典 用来寄存一条数据    d ={}    # print(c)    lst_index = cs.index(c)  # 取得c所对应的索引    # print(lst_index)    # print(texts[lst_index])  # cs中c所对应的texts值    d['class'] = c    d['text'] = texts[lst_index]    # print(d)    lst_data.append(d)print(lst_data)  # [{'class': 'item-0', 'text': 'first item'}, {'class': 'item-1', 'text': 'second item'}, {'class': 'item-inactive', 'text': 'third item'}]# 保留数据header = ['class', 'text']with open('data.csv', 'w', encoding='utf-8', newline='') as f:    w = csv.DictWriter(f, header)    w.writeheader()    w.writerows(lst_data)

2. 豆瓣 TOP250 爬取
(1)指标:练习XPath的应用
(2)步骤:a. 发送申请 获取响应 失去html文件 --> b. 解析数据 取得所需数据 寄存字典列表z中 --> c. 保留数据于csv文件中
(3)须要用到的工具:requests lxml csv
(4)进行翻页解决( ?)

import requestsfrom lxml import etreeimport csv# 发申请 获相应# url就是发动申请的指标urldef get_source(url):    headers = {        'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/91.0.4472.124 Safari/537.36',    }    res = requests.get(url, headers=headers)    html = res.content.decode('utf-8')    # print(html)    return html# 解析数据def parsed_source(html):    # 将网页源码加载成一个element对象    tree = etree.HTML(html)    # text() 获取文本数据    # title = tree.xpath('//div[@class="info"]/div[@class="hd"]/a/span/text()')    # print(title)    divs = tree.xpath('//div[@class="info"]')    # print(len(divs))    # 用来寄存所有数据的大列表    lst_data = []    for div in divs:        # 用来存储一条数据的字典        d = {}        # print(div)        # 列表的下标索引值是从0开始的        # strip()用来解决字符串外面头和尾的空白字符        title = div.xpath('./div[@class="hd"]/a/span/text()')[0].strip()        score = div.xpath('./div[@class="bd"]/div[@class="star"]/span[@class="rating_num"]/text()')[0].strip()        # span[last()] 获取最初一个span标签        com_num = div.xpath('./div[@class="bd"]/div[@class="star"]/span[last()]/text()')[0].strip()        quote = div.xpath('./div[@class="bd"]//span[@class="inq"]/text()')[0].strip()        link_url = div.xpath('./div[@class="hd"]/a/@href')[0]        d['title'] = title        d['score'] = score        d['com_num'] = com_num        d['quote'] = quote        d['link_url'] = link_url        # print(title, score, com_num, quote, link_url)        # 把寄存一条数据的字典插入列表        lst_data.append(d)    # print(lst_data)    return lst_data# 保留数据def save_data(lst_data, header):    # w-->写 从头开始写  a-->追加    with open('movie_data.csv', 'a', encoding='utf-8', newline='') as f:        w = csv.DictWriter(f, header)        # 写入表头        w.writeheader()        # writerows 一次性写入多行数据        w.writerows(lst_data)# 主函数 调用函数def main():    url = 'https://movie.douban.com/top250?start=0'    h = get_source(url)    header = ['title', 'score', 'com_num', 'quote', 'link_url']    movie_data = parsed_source(h)    save_data(movie_data, header)if __name__ == '__main__':    main()

Beautiful Soup入门

基础知识

  1. 定义:Beautiful Soup 是一个能够从HTML或XML文件中提取数据的网页信息提取库
  2. 作用:用来解析和提取数据的
  3. 比照不同数据解析形式
    (1)正则表达式 简单
    (2)XPath 语法 例如/ //等
    (3)bs4 办法 例如find() fing_all()

bs4源码剖析

  1. structure页面 导航页面 展现架构
  2. 图标
    (1)c class 类
    (2)m method 办法
    (3)f field 字段
    (4)p property 装璜器
    (5)v variable 变量