爬虫之数据解析

py3study

发布于 2020-01-21 11:40:12

9940

发布于 2020-01-21 11:40:12

文章被收录于专栏：python3python3

　　一、啥是数据解析

　　在上一篇关于爬虫的博客里，我提到过，整个爬虫分为四个部分，上一篇博客已经完成了前两步，也就是我说的最难的地方，接下来这一步数据解析不是很难，但就是很烦人，但只要你有耐心，一步一步查找、排除就会提取出目标信息，这一步就相当于从接收到的庞大数据中提取出真正想要、有意义的信息，所以对于爬虫来说，应该是很重要的。

　　数据解析有三种方式，一是通过正则表达式，在python中就是利用re模块；二是xpath；三是利用BeautifulSoup。

　　二、正则表达式

　　之前我们在学模块的时候讲过正则表达式，在这就不细说，献上经常用到的

   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
        \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)

　　三、xpath

　　1，常用表达式

属性定位：
    #找到class属性值为song的div标签
    //div[@class="song"] 
层级&索引定位：
    #找到class属性值为tang的div的直系子标签ul下的第二个子标签li下的直系子标签a
    //div[@class="tang"]/ul/li[2]/a
逻辑运算：
    #找到href属性值为空且class属性值为du的a标签
    //a[@href="" and @class="du"]
模糊匹配：
    //div[contains(@class, "ng")]
    //div[starts-with(@class, "ta")]
取文本：
    # /表示获取某个标签下的文本内容
    # //表示获取某个标签下的文本内容和所有子标签下的文本内容
    //div[@class="song"]/p[1]/text()
    //div[@class="tang"]//text()
取属性：
    //div[@class="tang"]//li[2]/a/@href

我们在使用xpath时，想要把字符串转化为etree对象：
tree=etree.parse(文件名)#这种是把一个本地文件转化成rtree对象
tree=etree.HTML(html标签字符串)
tree.xpath(xpath表达式)   #这样就可以通过找到某个标签，取出标签的某个属性就得到想要的结果

　　2，示例一，爬取糗事百科图片，保存在本地

import requests
from lxml import etree

#这是请求的路径
url='https://www.qiushibaike.com/pic/'
#这是伪造的浏览器UA
headers={
    'User-Agent':'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/72.0.3626.119 Safari/537.36'
}
#content拿到的是页面代码
content=requests.get(url=url,headers=headers).text
#把这个页面字符串代码转换成etree对象
tree=etree.HTML(content)
#这是拿到所有class=‘thumb’的div标签下的img标签的src属性，返回的是一个列表
img_src_list=tree.xpath('//div[@class="thumb"]//img/@src')
#循环每个src，然后再去访问，拿到图片的字节数据，存放于JPG文件，就得到每张图片了
for img_src in img_src_list:
    c1=requests.get(url='https:'+img_src,headers=headers).content
    with open('%s.jpg'%img_src[:5],'wb') as f:
        f.write(c1)

　　3，示例二，爬取煎蛋网的图片

　　这个就不是那么简单了，可以说是及其的难，我们用浏览器去访问一下煎蛋网，查看一下每张图片的src。

在这个元素的页面上，也就是加载完毕后的HTML文件，上面可以看到img的src属性，不用猜，这个肯定是图片的地址，很是兴奋，急急忙忙的写程序，访问页面，拿去img的src值，然后再发起请求拿到图片数据，保存下来，运行程序出错了，不是预期的结果。在这，给大家分享一个反爬机制，对于图片的src属性并不是直接写在html页面上的，而是在加载页面时用js得到img的src属性，然后赋值过去，其实我们可以点开network，查看response，这个response才是真正返回的HTML文件内容，也就是接收的内容。如下图：

　　从response来看，它的所有图片的src都是一样的，说明并不是图片真正的输入窗路径，后面跟了一个span标签，class为img-hash，文本内容为一大段字符，可以猜出这是一个hash值，这个值就是img的src加密后的hash值，所以在加载页面时，通过js把加密的字符解开就是img的src属性，然后再赋给src（别问我是咋知道，我看别人这样写的，但确实是对的），这种通过js来动态加载的页面是一种反爬机制，而且是一种让人很头疼的反爬机制。

　　现在我们想要拿到他的src，就需要我们从返回的html文件中取出每个img-hash值，然后解密，得到真正的src，然后再对src发起请求。

import requests
from lxml import etree
headers={
    'User-Agent':'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/72.0.3626.119 Safari/537.36'
}
import base64
url='http://jandan.net/ooxx'
content=requests.get(url=url,headers=headers).text
tree=etree.HTML(content)
hash_list=tree.xpath('//span[@class="img-hash"]/text()')   #这是拿到了所有的img-hsah值，存放在一个列表中

for i in hash_list:
    ur=base64.b64decode(i).decode()           #这里用base64解密（不要问我为啥用这个解密，你咋知道的。大佬说，在js代码发现有base64和md5的字样，然而md5是不可逆的，所以就是base64了）
    con=requests.get(url='http:'+ur,headers=headers).content
    with open('%s.jpg'%i,'wb') as f:
        f.write(con)

　　四、BeautifulSoup

　　1，方法

from bs4 import BeautifulSoup
soup = BeautifulSoup(open('本地文件'), 'lxml')    #这是把一个本地文件转换成BeautifulSoup对象
soup = BeautifulSoup('字符串类型或者字节类型', 'lxml')#这是把HTML字符串转换成BeautifulSoup对象

基础巩固：
    （1）根据标签名查找
        - soup.a   只能找到第一个a标签，其他标签一样
    （2）获取属性
        - soup.a.attrs  获取第一个a标签所有的属性和属性值，返回一个字典
        - soup.a.attrs['href']   获取href属性
        - soup.a['href']   也可简写为这种形式
    （3）获取内容
        - soup.a.string
        - soup.a.text
        - soup.a.get_text()
       【注意】如果标签还有标签，那么string获取到的结果为None，而其它两个，可以获取文本内容
    （4）find：找到第一个符合要求的标签
        - soup.find('a')  
        - soup.find('a', title="xxx")
        - soup.find('a', alt="xxx")
        - soup.find('a', class_="xxx")    #按类查找，得在把class写成class_
        - soup.find('a', id="xxx")
    （5）find_all：找到所有符合要求的标签
        - soup.find_all('a')
        - soup.find_all(['a','b']) 找到所有的a和b标签
        - soup.find_all('a', limit=2)  限制前两个
    （6）根据选择器选择指定的内容       #选择器的规则和css一模一样，
               select:soup.select('#feng')
        - 常见的选择器：标签选择器(a)、类选择器(.)、id选择器(#)、层级选择器
            - 层级选择器：
                div .dudu #lala .meme .xixi  下面好多级
                div > p > a > .lala          只能是下面一级
        【注意】select选择器返回永远是列表，需要通过下标提取指定的对象

　　2，实例一，爬取抽屉网的新闻标题和连接

from bs4 import BeautifulSoup
import requests
url='https://dig.chouti.com/'
headers={
    'User-Agent':'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/72.0.3626.119 Safari/537.36'
}
con=requests.get(url=url,headers=headers).text
#这是实例化一个BeautifulSoup对象，对象就可以使用find、find_all等方法
soup=BeautifulSoup(con,'lxml')
a_list=soup.find_all('a',class_="show-content color-chag")#这是拿到了很多的a标签，
data_list=[]
for a in a_list:
    dic={}
    dic['url']=a['href']
    dic['content']=a.text.strip()
    data_list.append(dic)
print(data_list)

　　3，实例二，爬取58同城的房源信息

from bs4 import BeautifulSoup
import requests
import xlwt
import re
headers={
    'User-Agent':'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/72.0.3626.119 Safari/537.36'
}
#这是创建一个Excel，并创建一个sheet表，设置属性
workbook = xlwt.Workbook(encoding='ascii')
worksheet = workbook.add_sheet('My Worksheet')
worksheet.col(0).width = 14000
worksheet.col(5).width = 24000
#发送请求
url='https://sz.58.com/ershoufang/?utm_source=market&spm=u-2d2yxv86y3v43nkddh1.BDPCPZ_BT&PGTID=0d30000c-0000-4591-0324-370565eccba8&ClickID=1'
res=requests.get(url=url,headers=headers)
con=res.text
#实例化一个对象
soup=BeautifulSoup(con,'lxml')
ss=soup.find('ul',class_='house-list-wrap')
li_list=ss.find_all('li')  #这是拿到了所有的li标签
patter=re.compile(r'\s',re.S)
#这是循环每个li标签，这里拿到的每个li标签还是一个BeautifulSoup对象，一样拥有find、find_all等方法，对每个li标签处理拿到每个房源的各种信息，然后写入Excel中
for num in range(len(li_list)):
    worksheet.write(num, 0, label=li_list[num].find('a',tongji_label="listclick").text.strip())
    p1=li_list[num].find_all('p')[0]
    span_list=p1.find_all('span')
    worksheet.write(num, 1, label=patter.sub('',span_list[0].text))
    worksheet.write(num, 2, label=patter.sub('',span_list[1].text))
    worksheet.write(num, 3, label=patter.sub('',span_list[2].text))
    worksheet.write(num, 4, label=patter.sub('',span_list[3].text))
    worksheet.write(num,5, label=patter.sub('',li_list[num].find('div',class_='jjrinfo').text))
    worksheet.write(num, 6, label=li_list[num].find('p',class_='sum').text)
    worksheet.write(num, 7, label=li_list[num].find('p',class_='unit').text)
workbook.save('myWorkbook.xls')

　　4，实例三，爬取github

　　github是需要登录验证的，所以我们照我上一篇讲的模拟登录的步骤，先用浏览器输入一组错误信息，点击登录，找的登录发送的路径和数据结构，

　　明显发现这就是登录请求的路径，数据结构拿到了，再去拿到请求的路径

　　这下就可以发送请求，我最先访问的是login页面，得到cookie，带这个cookie和data数据，往登录的路径发送请求，但不得行。于是乎回来看了一看，要求的数据结构，其中有个叫token的东西，怎么那么熟悉，这个不是那个随机值CSRF-token，我就再去看了一下HTML页面，

　　确实是基于form表单发送请求的CSRF-token，这个东西是一个随机值，所以我的程序得想去访问login页面，拿到登陆页面，取得这个token值，放在data数据里，我之前程序的其他部分就不用变了，于是乎就成功了。

import requests
import re
url='https://github.com/login'

url1='https://github.com/session'
headers={
    'User-Agent':'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/72.0.3626.119 Safari/537.36',
}
session=requests.session()
res1=session.get(url=url,headers=headers)
token=re.findall(r'name="authenticity_token".*?value="(?P<name>.*?)"',res1.text,re.S)[0]      #这就是用BeautifulSoup取得token值
data={
'commit': 'Sign in',
'utf8': '✓',
'authenticity_token': token,
'login': 'xxxxxx',
'password':'xxxxx'
}
session.post(url=url1,data=data,headers=headers)
url2='https://github.com/'
res=session.get(url=url2,headers=headers)
with open('github1.html','wb') as f:
    f.write(res.content)