python爬虫教程之bs4解析和xpath解析详解

bs4解析

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

如何实例化BeautifulSoup对象:

from bs4 import BeautifulSoup

BeautifulSoup(参数一,参数二)

参数一为文件描述符，参数二为解析器，一般为’lxml’

一对象的实例化:

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')

soup指初始化的BeautifulSoup对象

用于数据解析的方法和属性:

1.soup.tagName:返回的是文档中第一次出现的tagName对应的标签

2.soup.find():

(1).find( ‘tagName’):等同于soup.tagName

(2).属性定位:soup.find(‘div’,class_/id/或者其他属性=‘song’)

定位到< div class=&ldquo;song&rdquo;>/< div id=&ldquo;song&rdquo;>的标签下

class如果没有加_则代表关键字

3.soup.find_all(&lsquo;tagName&rsquo;):返回符合要求的所有标签(列表)

soup对象:

<div class="tang">
   <ul>
       <li><a href="http://www.baidu.com" rel="external nofollow"  title= "ging">清明时节雨纷纷,路上行人欲断魂,借问酒家何处有,牧童遥指杏花村</a></1i>
       <li><a href="http://www.163.com" rel="external nofollow"  title="qin">秦时明月汉时关，万里长征人未还,但使龙城飞将在，不教胡马度阴山</a></1i>
       <li><a href=" http://ww.126.com" rel="external nofollow" alt="qi ">歧王宅里寻常见，崔九堂前几度闻，正是江南好风景,落花时节又逢君</a></li>
       <li><a href="http: //www.sina.com" rel="external nofollow"  class="du">杜甫</a></li>
       <li><a href="http://www.dudu.com" rel="external nofollow"  class="du">杜牧</a></li>
       <li><b>杜小月</b></li>
       <li><i>度蜜月</i></li>
       <li><a href="http://ww.hana.com”id=" rel="external nofollow" feng">凤凰台上凤凰游，凤去台空江自流，吴宫花草埋幽径，晋代衣冠成古丘</a></li>
   </ul>
</div>

4.select:

- select(&lsquo;某种选择器(id,class，标签&hellip;选择器)&rsquo;),返回的是一个列表。

标签什么都不加，class前面加. id前面加#

层级选择器:

>表示的是一个层级；空格表示的多个层级

soup.select( '.tang > ul > li > a')
    soup.select( '.tang >ul a')
    结果为：[<a href="http://www.baidu.com" title= "ging">清明时节雨纷纷,路上行人欲断魂,借问酒家何处有,牧童遥指杏花村</a>,
    <a href="http://www.163.com" title="qin">秦时明月汉时关，万里长征人未还,但使龙城飞将在，不教胡马度阴山</a>,
    <a href=" http://ww.126.com"alt="qi ">歧王宅里寻常见，崔九堂前几度闻，正是江南好风景,落花时节又逢君</a>,
    <a href="http: //www.sina.com" class="du">杜甫</a>,
    <a href="http://www.dudu.com" class="du">杜牧</a>,
   <a href="http://ww.hana.com”id="feng">凤凰台上凤凰游，凤去台空江自流，吴宫花草埋幽径，晋代衣冠成古丘</a>]

5.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

6.获取标签中属性值:

soup.a[&lsquo;属性值&rsquo;]

print(soup.select( '.tang > ul > li > a') [0]['href'])
结果：
www.baidu.com

xpath解析

最常用且最便捷高效的一种解析方式。通用性。

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。

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( &lsquo;xpath表达式&rsquo;)

xpath表达式:(返回一个列表)

-/: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=&lsquo;song&rsquo;] tag[@attrname=&lsquo;attrvalue&rsquo;]

-索引定位：//div[@class=&lsquo;song&rsquo;]/p[3]

索引从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

• eg:/img/@src

• ./表示定位到当前位置（局部解析）

多个xpath之间用|分割:

• tree.xpath(&rsquo;//div[@class=&lsquo;song&rsquo;]/p[3] | //div[@class=&lsquo;song&rsquo;]&rsquo;)

来源：https://blog.csdn.net/m0_52656075/article/details/122896071