标签:coding windows imp 比较 就是 pytho 相关 中文 tor
- 正则
- xpath
- bs4
# 正则表达式 单字符: . : 除换行以外所有字符 [] :[aoe] [a-w] 匹配集合中任意一个字符 \d :数字 [0-9] \D : 非数字 \w :数字、字母、下划线、中文 \W : 非\w \s :所有的空白字符包,括空格、制表符、换页符等等。等价于 [ \f\n\r\t\v]。 \S : 非空白 数量修饰: * : 任意多次 >=0 + : 至少1次 >=1 ? : 可有可无 0次或者1次 {m} :固定m次 hello{3,} {m,} :至少m次 {m,n} :m-n次 边界: $ : 以某某结尾 ^ : 以某某开头 分组: (ab) 贪婪模式: .* 非贪婪(惰性)模式: .*? re.I : 忽略大小写 re.M :多行匹配 re.S :单行匹配 re.sub(正则表达式, 替换内容, 字符串)
#爬取糗事百科中所有的糗图图片数据 import os import requests import re from urllib import request if not os.path.exists(‘./qiutu‘): os.mkdir(‘./qiutu‘) headers = { ‘User-Agent‘:‘Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/70.0.3538.77 Safari/537.36‘ } url = ‘https://www.qiushibaike.com/pic/‘ page_text = requests.get(url=url,headers=headers).text ex = ‘<div class="thumb">.*?<img src="(.*?)" alt.*?</div>‘ img_url = re.findall(ex,page_text,re.S) for url in img_url: url = ‘https:‘+url img_name = url.split(‘/‘)[-1] img_path = ‘./qiutu/‘+img_name request.urlretrieve(url,img_path) print(img_name,‘下载成功!!!‘)
soup.a.attrs 返回一字典,里面是所有属性和值 soup.a[‘href‘] 获取href属性
soup.a.string
soup.a.text
soup.a.get_text()
#find只能找到符合要求的第一个标签,他返回的是一个对象 soup.find(‘a‘) soup.find(‘a‘, class_=‘xxx‘) soup.find(‘a‘, title=‘xxx‘) soup.find(‘a‘, id=‘xxx‘) soup.find(‘a‘, id=re.compile(r‘xxx‘))
#返回一个列表,列表里面是所有的符合要求的对象 soup.find_all(‘a‘) soup.find_all(‘a‘, class_=‘wang‘) soup.find_all(‘a‘, id=re.compile(r‘xxx‘)) soup.find_all(‘a‘, limit=2) #提取出前两个符合要求的a
#选择,选择器 css中 常用的选择器 标签选择器、id选择器、类选择器 层级选择器** div h1 a 后面的是前面的子节点即可 div > h1 > a 后面的必须是前面的直接子节点 属性选择器 input[name=‘hehe‘] select(‘选择器的‘) 返回的是一个列表,列表里面都是对象 find find_all select不仅适用于soup对象,还适用于其他的子对象,如果调用子对象的select方法,那么就是从这个子对象里面去找符合这个选择器的标签
#爬取古诗文网的三国演义小说 url = ‘http://www.shicimingju.com/book/sanguoyanyi.html‘ page_text = requests.get(url=url,headers=headers).text #数据解析:标题和url soup = BeautifulSoup(page_text,‘lxml‘) li_list = soup.select(‘.book-mulu > ul > li‘) fp = open(‘./sanguo.txt‘,‘w‘,encoding=‘utf-8‘) for li in li_list: title = li.a.string detail_url = ‘http://www.shicimingju.com‘+li.a[‘href‘] #单独对详情页发起请求获取源码数据 detail_page_text = requests.get(url=detail_url,headers=headers).text soup = BeautifulSoup(detail_page_text,‘lxml‘) content = soup.find(‘div‘,class_="chapter_content").text fp.write(title+‘\n‘+content+‘\n‘) print(title,‘:下载成功!‘) fp.close()
- 解析效率比较高
- 通用性最强的
- 环境安装:pip install lxml
- 解析原理:
- 实例化一个etree对象且将即将被解析的页面源码数据加载到该对象中
- 使用etree对象中的xpath方法结合着xpath表达式进行标签定位和数据提取
- 实例化etree对象
- etree.parse(‘本地文件路径‘)
- etree.HTML(page_text)
#爬取全国城市名称 import requests from lxml import etree # UA伪装 headers = { ‘User-Agent‘:‘Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/70.0.3538.77 Safari/537.36‘ } url = ‘https://www.aqistudy.cn/historydata/‘ page_text = requests.get(url=url,headers=headers).text tree = etree.HTML(page_text) # hot_city = tree.xpath(‘//div[@class="bottom"]/ul/li/a/text()‘) # all_city = tree.xpath(‘//div[@class="bottom"]/ul/div[2]/li/a/text()‘) # all_city tree.xpath(‘//div[@class="bottom"]/ul/div[2]/li/a/text() | //div[@class="bottom"]/ul/li/a/text()‘
标签:coding windows imp 比较 就是 pytho 相关 中文 tor
原文地址:https://www.cnblogs.com/q455674496/p/11000348.html