一文弄清Python网络爬虫解析库！内含多个实例讲解
在了解爬虫基础、请求库和正则匹配库以及一个具体豆瓣电影爬虫实例之后，可能大家还对超长的正则表达式记忆犹新，设想如果想要匹配的条目更加多那表达式长度将会更加恐怖，这显然不是我们想要的，因此本文介绍的解析库可以帮助我们更加轻松地提取到特定信息。
一、Xpath库
1.库简介
XPath（XML Path Language）即XML 路径语言，它是一门在XML文档中查找信息的语言，但它同样适用于HTML 文档的搜索。所以在做爬虫时，我们完全可以使用XPath 来做相应的信息抽取。
2.入门测试
需要导入lxml库（若未安装推荐用pip install lxml安装即可），然后使用下面代码进行简单测试：
from lxml import etreetext = '''<html><body><div> <ul> <li class='item-0'><a href='link1.html'>first</a></li> <li class='item-1'><a href='link2.html'>second</a> <li class='item-2'><a href='link3.html'>third</a></li> <li class='item-3'><a href='link4.html'>fourth</a></li> </ul></div>'''html = etree.HTML(text)result = etree.tostring(html)print(result.decode('utf-8'))结果如下：可以看到，etree模块不仅将缺少的标签闭合了，而且还加上了html、body节点。
<html><body><div> <ul> <li class='item-0'><a href='link1.html'>first</a></li> <li class='item-1'><a href='link2.html'>second</a> </li><li class='item-2'><a href='link3.html'>third</a></li> <li class='item-3'><a href='link4.html'>fourth</a></li> </ul></div></body></html>3.基本方法
xpath的常用规则及基本方法如下：
- 初始化html
上文中的入门测试即为初始化html。其中etree.parse()是初始化html构造一个XPath解析对象；etree.tostring()是修复html文件中代码，把缺的头或尾节点补齐；result.deode('utf-8')修复后的HTML代码是字节类型，转化成字符串。
- 获取所有节点
print(html.xpath('//*')) # 获取所有的节点print(html.xpath('//li')) # 获取所有li节点- 子节点、子孙节点
print(html.xpath('//li/a')) # 所有li下是所有直接a子节点print(html.xpath('//ul//a')) # 所有ul下的子孙a节点- 父节点
# 找到所有a节点中href为links.html的父节点的class值# .. 来实现查找父节点print(html.xpath('//a[@href='link1.html']/../@class'))- 属性匹配
# 找到class值为item-0是节点print(html.xpath('//li[@class='item-0']'))- 文本获取
# 匹配到class值为item-0节点中的a标签中的文本print(html.xpath('//li[@class='item-0']/a/text()'))- 属性获取
print(html.xpath('//li/a/@href')) # 找到li下a中的href属性值- 属性多值匹配
#只要节点属性class中包含item就能匹配出来print(html.xpath('//li[contains(@class,'item')]/a/text()'))二、BeautifulSoup库
1.库简介
BeautifulSoup4和 lxml 一样，Beautiful Soup 也是一个HTML/XML的解析器，主要的功能也是如何解析和提取 HTML/XML 数据。BeautifulSoup支持Python标准库中的HTML解析器,还支持一些第三方的解析器，如果我们不安装它，则 Python 会使用 Python默认的解析器，lxml 解析器更加强大，速度更快，推荐使用lxml 解析器。
2.入门测试
假设有这样一个Html（即从百度网页源代码截取一段），具体内容如下：
html = '''<!DOCTYPE html><html><head> <meta content='text/html;charset=utf-8' http-equiv='content-type' /> <meta content='IE=Edge' http-equiv='X-UA-Compatible' /> <meta content='always' name='referrer' /> <link href='https://ss1.bdstatic.com/5eN1bjq8AAUYm2zgoY3K/r/www/cache/bdorz/baidu.min.css' rel='stylesheet' type='text/css' /> <title>百度一下，你就知道 </title></head><body link='#0000cc'> <div id='wrapper'> <div id='head'> <div class='head_wrapper'> <div id='u1'> <a class='mnav' href='http://news.baidu.com' name='tj_trnews'>新闻 </a> <a class='mnav' href='https://www.hao123.com' name='tj_trhao123'>hao123 </a> <a class='mnav' href='http://map.baidu.com' name='tj_trmap'>地图 </a> <a class='mnav' href='http://v.baidu.com' name='tj_trvideo'>视频 </a> <a class='mnav' href='http://tieba.baidu.com' name='tj_trtieba'>贴吧 </a> <a class='bri' href='//www.baidu.com/more/' name='tj_briicon' style='display: block;'>更多产品 </a> </div> </div> </div> </div></body></html>'''如果将字符串单独保存为html文件，则使用谷歌浏览器打开后即为：
通过导入bs4库中的BeautifulSoup子类可以输入以下命令观察输出：
from bs4 import BeautifulSoup bs = BeautifulSoup(html,'html.parser') # 缩进格式print(bs.prettify()) # 获取title标签的所有内容 print(bs.title) # 获取title标签的名称print(bs.title.name) # 获取title标签的文本内容print(bs.title.string) # 获取head标签的所有内容print(bs.head) # 获取第一个div标签中的所有内容print(bs.div) # 获取第一个div标签的id的值print(bs.div['id']) # 获取第一个a标签中的所有内容print(bs.a) # 获取所有的a标签中的所有内容print(bs.find_all('a')) # 获取id='u1'print(bs.find(id='u1')) # 获取所有的a标签，并遍历打印a标签中的href的值for item in bs.find_all('a'): print(item.get('href')) # 获取所有的a标签，并遍历打印a标签的文本值for item in bs.find_all('a'): print(item.get_text())3.基本方法
BeautifulSoup4将复杂HTML文档转换成一个复杂的树形结构,每个节点都是Python对象,所有对象可以归纳为4种：
- Tag：Tag通俗点讲就是HTML中的一个个标签，我们可以利用 soup 加标签名轻松地获取这些标签的内容，这些对象的类型是bs4.element.Tag。但是注意，它查找的是在所有内容中的第一个符合要求的标签。
# [document] #bs 对象本身比较特殊，它的 name 即为 [document]print(bs.name) # head #对于其他内部标签，输出的值便为标签本身的名称print(bs.head.name) # 在这里，我们把 a 标签的所有属性打印输出了出来，得到的类型是一个字典。print(bs.a.attrs) #还可以利用get方法，传入属性的名称，二者是等价的print(bs.a['class']) # 等价 bs.a.get('class')# 可以对这些属性和内容等等进行修改bs.a['class'] = 'newClass'print(bs.a) # 还可以对这个属性进行删除del bs.a['class'] print(bs.a)- NavigableString：既然我们已经得到了标签的内容，那么问题来了，我们要想获取标签内部的文字怎么办呢？很简单，用 .string 即可，例如：
print(bs.title.string) print(type(bs.title.string))- BeautifulSoup：BeautifulSoup对象表示的是一个文档的内容。大部分时候，可以把它当作 Tag 对象，是一个特殊的 Tag，我们可以分别获取它的类型，名称，以及属性，例如：
print(type(bs.name)) print(bs.name) print(bs.attrs)- Comment：Comment 对象是一个特殊类型的 NavigableString 对象，其输出的内容不包括注释符号。
print(bs.a)# 此时不能出现空格和换行符，a标签如下：# <a class='mnav' href='http://news.baidu.com' name='tj_trnews'><!--新闻--></a>print(bs.a.string) # 新闻print(type(bs.a.string)) # <class 'bs4.element.Comment'接下来具体讲解BeautifulSoup的使用方法。我们可以通过BeautifulSoup遍历文档树：
- .contents：获取Tag的所有子节点，返回一个list
# tag的.content 属性可以将tag的子节点以列表的方式输出print(bs.head.contents)# 用列表索引来获取它的某一个元素print(bs.head.contents[1])- .children：获取Tag的所有子节点，返回一个生成器
for child in bs.body.children: print(child)- .descendants：获取Tag的所有子孙节点
- .strings：如果Tag包含多个字符串，即在子孙节点中有内容，可以用此获取，而后进行遍历
- .stripped_strings：与strings用法一致，只不过可以去除掉那些多余的空白内容
- .parent：获取Tag的父节点
- .parents：递归得到父辈元素的所有节点，返回一个生成器
- .previous_sibling：获取当前Tag的上一个节点，属性通常是字符串或空白，真实结果是当前标签与上一个标签之间的顿号和换行符
- .next_sibling：获取当前Tag的下一个节点，属性通常是字符串或空白，真是结果是当前标签与下一个标签之间的顿号与换行符
- .previous_siblings：获取当前Tag的上面所有的兄弟节点，返回一个生成器
- .next_siblings：获取当前Tag的下面所有的兄弟节点，返回一个生成器
- .previous_element：获取解析过程中上一个被解析的对象(字符串或tag)，可能与previous_sibling相同，但通常是不一样的
- .next_element：获取解析过程中下一个被解析的对象(字符串或tag)，可能与next_sibling相同，但通常是不一样的
- .previous_elements：返回一个生成器，可以向前访问文档的解析内容
- .next_elements：返回一个生成器，可以向后访问文档的解析内容
- .has_attr：判断Tag是否包含属性
也可以通过BeautifulSoup进行搜索文档树：
- find_all(name, attrs, recursive, text, **kwargs)
在上面的示例中我们简单介绍了find_all的使用，接下来介绍一下find_all的更多用法-过滤器。这些过滤器贯穿整个搜索API，过滤器可以被用在tag的name中，节点的属性等。
from bs4 import BeautifulSoup import re bs = BeautifulSoup(html,'html.parser') t_list = bs.find_all(re.compile('a')) for item in t_list: print(item)- find()
find()将返回符合条件的第一个Tag，有时我们只需要或一个Tag时，我们就可以用到find()方法了。当然了，也可以使用find_all()方法，传入一个limit=1，然后再取出第一个值也是可以的，不过未免繁琐。
from bs4 import BeautifulSoup import re # 返回只有一个结果的列表t_list = bs.find_all('title',limit=1) print(t_list) # 返回唯一值t = bs.find('title') print(t) # 如果没有找到，则返回Nonet = bs.find('abc') print(t)- CSS选择器
BeautifulSoup支持发部分的CSS选择器，在Tag获取BeautifulSoup对象的.select()方法中传入字符串参数，即可使用CSS选择器的语法找到Tag：
- 通过标签名查找
print(bs.select('title'))print(bs.select('a'))- 通过类名查找
print(bs.select('.mnav'))- 通过id查找
print(bs.select('#u1'))- 组合查找
print(bs.select('div .bri'))- 属性查找
print(bs.select('a[class='bri']'))print(bs.select('a[href='http://tieba.baidu.com']'))- 直接子标签查找
t_list = bs.select('head > title')print(t_list)- 兄弟节点标签查找
t_list = bs.select('.mnav ~ .bri')print(t_list)- 获取内容
t_list = bs.select('title')print(bs.select('title')[0].get_text())三、pyquery库
1.库简介
如果觉得Xpath有些难懂，BeautifulSoup有些难记，那pyquery一定适合你。pyquery 可让你用 jQuery 的语法来对 xml 进行操作。这和 jQuery 十分类似。如果利用 lxml，pyquery 对 xml 和 html 的处理将更快。这个库不是一个可以和 JavaScript交互的代码库，它只是非常像 jQuery API 而已。
2.入门测试
# html为上文BeautifulSoup测试实例from pyquery import PyQuery as pqdoc = pq(html)print(doc('title').text()) # '标题'print(doc('div').filter('.head_wrapper').text()) # '文字1'print(doc('a[name=tj_trnews]').text()) # 同上，只是这种方法支持除了id和class之外的属性筛选print(doc('div').filter('#u1').find('a').text()) # '列表1第1项 列表1第2项'print(doc('div#u1 a').text()) # 简化形式print(doc('div#u1 > a').text()) # 节点之间用>连接也可以，但是加>只能查找子元素，空格子孙元素3.基本方法
- 初始化
# 字符串初始化：from pyquery import PyQuery as pqdoc=pq(html)print(doc('li'))# URL初始化doc=pq(url='https://ww.baidu.com')print(doc)a = open('test.html','r',encoding='utf8')doc=pq(a.read())print(doc)- 基本css选择器
# id 为container,class为list下的所有liprint(doc('.head_wrapper #u1 a'))- 查找节点
# .find():查找所有子孙节点items = doc('#u1')print(items.find('a'))# .children():查找子节点items=doc('#u1')print(items.children('.mnav'))# 父节点doc=pq(html)items=doc('.mnav')print(items.parent())print(items.parents())# 兄弟节点doc=pq(html)li=doc('.mnav')print(li.siblings('.bri'))- 遍历
# 用items()函数生成列表生成器进行遍历doc=pq(html)lis=doc('a').items()for li in lis: print(li)- 获取信息
# 获取属性a=doc('.head_wrapper #u1 .bri')# attr只会输出第一个a节点属性，要用items()遍历print(a.attr('href'))# 获取文本# .text()a=doc('.head_wrapper #u1 .bri')# text()函数会输出所有的li文本内容print(a.text())# .html()li=doc('a')# html()只会输出第一个li节点内的HTML文本print(li.html())- 节点操作
# removeClass addClassa=doc('.head_wrapper #u1 .bri')print(a)a.removeClass('bri') # 移除active的classprint(a)a.addClass('bri') # 增加active的classprint(a)# attr text htmla.attr('name','link') # 增加属性name=linka.text('changed item') # 改变文本 changed itema.html('<span>changed item </span>') # 改变HTMLprint(a) # remove()u1=doc('#u1')# 删除wrap中p节点u1.find('a').remove()print(u1.text())Python有关Xpath、BeautifulSoup、pyquery三大解析库的基本使用方法介绍至此结束，下文开始介绍动态网页数据采集的相关库与实战，前文涉及的基础知识可参考下面链接：
赞 (0)