网络爬虫第1天之数据解析库的使用
一、正则表达式
正则表达式（Regular Expression 简称regex或regexp）是一种强大的文本处理工具，它可以帮助实现快速的检索、替换或验证字符串中的特定模式。
1、match
? match()方法会尝试从字符串开始的位置到字符结束的位置匹配正则表达式，如果匹配，返回匹配的结果，不匹配返回None。
import re
content = 'Hello 123456 welcome to tuling'
print(len(content))
result = re.match('Hello\s\d\d\d\s\d{3}\w{9}',content)
print(result)
print(result.group())
pritn(result.span())
# group()返回本正则匹配的字符串
# start()返回匹配开始的位置
# span()返回一个元组包含匹配（开始，结束）的位置（1）匹配数字
import re
content = 'Hello 123456 welcome to tuling'
print(len(content))
result = re.match('Hello\s\d\d\d\s\d{3}\w{9}',content)
print(result)
print(result.group())
pritn(result.span())
# group()返回本正则匹配的字符串
# start()返回匹配开始的位置
# span()返回一个元组包含匹配（开始，结束）的位置（2）通用匹配
import re
content = 'Hello 123 456 welcome to tuling'
result = re.match('^Hello\s(\d+)\swelcome',content)
print(result)
print(result.span())（3）贪婪和非贪婪
python默认贪婪模式（匹配的更多）
在“*”，“？”，“+”，“{m,n}”后面加上？，使贪婪变成非贪婪
import re
concent = 'https://feier.com/yyds'
result1 = re.match('http.*?com/(.*?)',content)
result2 = re.match('http.*?com/(.*)',content)
print('result1:',result1.group()) #输出：result1: https://feier.com/
print('result2:',result2.group()) #输出：result2: https://feier.com/yyds（4）修饰符
2、search
匹配时会扫描整个字符串，然后返回第一个匹配成功的结果，如果搜索完还没有找到，就返回None。
二、PyQuery
? PyQuery 是一个用于解析HTML和XML文档的Python库，它提供了与jQuery类似的语法，使得从文档中提取信息变得简单快捷。PyQuery 是基于lxml的 etree 库构建的，因此它速度很快，并且可以处理复杂的XML/HTML文档。
使用PyQuery具体步骤如下：
安装PyQuery
首先，你需要安装 PyQuery。通常可以通过pip来安装（使用国内阿里镜像源）：
如果以后安装不想输入? -i Simple Index
可以配置pip.ini文件，具体步骤如下：https://mp.csdn.net/mp_blog/creation/editor/135030143
pip install pyquery -i http://mirrors.aliyun.com/pypi/simple/使用PyQuery解析HTML
一旦安装了 PyQuery，你就可以开始使用它来解析HTML或XML了。下面是一个简单的例子：
在这个例子中，pq(html) 创建了一个 PyQuery 对象，然后我们使用CSS选择器 'p' 来查找所有的<p>标签。
from pyquery import PyQuery as pq
# 定义一个HTML字符串
html = """
<div>
<p class="hello">Hello</p>
<p class="world">World</p>
</div>
"""
# 创建PyQuery对象
d = pq(html)
# 查找所有的<p>标签
paragraphs = d('p')
for p in paragraphs.items():
print(p.text())
print(p)
#输出
'''
Hello
<p class="hello">Hello</p>
World
<p class="world">World</p>
'''使用PyQuery从网络获取内容
PyQuery 也可以直接从网址或者文件加载内容，例如：
from pyquery import PyQuery as pq
# 从网址获取内容
d = pq(url='http://example.com/')
# 从文件获取内容
# d = pq(filename='path/to/your/file.html')
# 使用CSS选择器
h1 = d('h1').text()
print(h1)
# 输出 Example Domain使用PyQuery进行更高级的选择和操作
PyQuery 支持多种CSS选择器和各种操作，例如：
from pyquery import PyQuery as pq
html = """
<ul>
<li class="item-0">item 1</li>
<li class="item-1 active"><a href="link2.html">item 2</a></li>
<li class="item-0" id="unique-item"><a href="link3.html">item 3</a></li>
<li class="item-1 active"><a href="link4.html">item 4</a></li>
<li class="item-0">item 5</li>
</ul>
"""
d = pq(html)
# 查找第一个li元素
first_li = d('li:first')
print(first_li.text())
# 查找ID为"unique-item"的元素
unique_item = d('#unique-item')
print(unique_item.text())
# 找到所有 class 包含 active 的 li 元素
active_items = d('li.active')
for item in active_items.items():
print(item.text())
# 查找 href 为 "link3.html" 的 a 元素的父元素
parent_li = d('a[href="link3.html"]').parent()
print(parent_li.attr('class'))
'''
输出：
item 1
item 3
item 2
item 4
item-0
'''PyQuery 的强大功能使其成为处理复杂HTML/XML文档时的一个良好选择，尤其对于那些已经熟悉jQuery语法的开发者。
三、Xpath
XPath（XML Path Language）是一种在XML和HTML文档中查找信息的语言。它使用路径表达式来选取文档中的节点或节点集。XPath 由 W3C 作为一个标准发布，被广泛应用于各种XML解析和处理技术中，比如在XSLT（Extensible Stylesheet Language Transformations）中选取数据，或者在Python的lxml库中解析HTML文档。
插件下载：https://chorme.zzzmh.cn/index
XPath 语法允许你指定文档的结构，以便精确选取出你想要的节点，比如元素、属性、文本等。一些基本的XPath选择器包括：
nodename: 选取此节点的所有子节点。/: 从根节点选取。//: 从匹配选择的当前节点选择文档中的节点，不考虑它们的位置。.: 选取当前节点。..: 选取当前节点的父节点。@: 选取属性。
例子
下面是一些XPath表达式的例子及其描述：
/bookstore: 选取根元素bookstore。只有bookstore元素才能被选取。bookstore/book: 选取属于bookstore子元素的所有book元素。//book: 选取所有book子元素，而不管它们在文档中的位置。bookstore//book: 选取属于bookstore元素的后代的所有book元素，而不管它们位于bookstore下的什么位置。//@lang: 选取名为lang的所有属性。
在Python中，可以使用lxml库来执行XPath查询。下面是如何使用lxml和XPath来解析HTML文档的一个例子：
from lxml import etree
# 假设我们有以下HTML文档
html_content = """
<html>
<body>
<div id="content">
<ul id="list">
<li>Item 1</li>
<li>Item 2</li>
<li>Item 3</li>
</ul>
<div class="footer">Footer information</div>
</div>
</body>
</html>
"""
# 解析HTML内容
tree = etree.HTML(html_content)
# 使用XPath选取所有的<li>元素
items = tree.xpath('//li')
for item in items:
print(item.text) # 输出: Item 1, Item 2, Item 3
# 使用XPath选取id为"list"的<ul>元素下的所有子节点
list_items = tree.xpath('//ul[@id="list"]/li')
for item in list_items:
print(item.text) # 输出: Item 1, Item 2, Item 3
# 使用XPath获取class为"footer"的div的文本
footer = tree.xpath('//div[@class="footer"]/text()')[0]
print(footer) # 输出: Footer information
在上述例子中，我们使用lxml.etree.HTML函数将HTML字符串解析为一个元素树，然后利用xpath方法来执行XPath查询。这是在Python中进行XML和HTML文档处理时的一种常见做法。
四、Beautiful Soup
Beautiful Soup是一个用于从HTML和XML文件中提取数据的Python库。它创建了一个解析树，这便于开发者能够轻松地搜索和修改解析树。Beautiful Soup自动将输入文档转换为Unicode编码，并输出有效的HTML/XML。它适用于多种解析器，如Python标准库中的html.parser、lxml和html5lib。
安装 Beautiful Soup
首先，你需要安装Beautiful Soup库，通常可以通过pip来安装：
pip install beautifulsoup4
使用 Beautiful Soup 解析HTML
安装完成后，你就可以开始使用Beautiful Soup来解析HTML了。下面是一些基本用法的例子：
from bs4 import BeautifulSoup
# 定义一个HTML字符串
html_doc = """
<html>
<head>
<title>The Dormouse's story</title>
</head>
<body>
<p class="title"><b>The Dormouse's story</b></p>
<p class="story">Once upon a time there were three little sisters; and their names were
<a href="http://example.com/elsie" class="sister" id="link1">Elsie</a>,
<a href="http://example.com/lacie" class="sister" id="link2">Lacie</a> and
<a href="http://example.com/tillie" class="sister" id="link3">Tillie</a>;
and they lived at the bottom of a well.</p>
<p class="story">...</p>
</body>
</html>
"""
# 创建一个Beautiful Soup对象
soup = BeautifulSoup(html_doc, 'html.parser')
# 获取<title>标签的内容
title_tag = soup.title
print(title_tag) # 输出: <title>The Dormouse's story</title>
print(title_tag.string) # 输出: The Dormouse's story
# 查找文档中所有的<a>标签
a_tags = soup.find_all('a')
for tag in a_tags:
# 输出每个<a>标签的href属性
print(tag.get('href'))
# 查找文档中所有类属性为"sister"的<a>标签
sisters = soup.find_all('a', class_='sister')
for sister in sisters:
# 输出sister的文本内容
print(sister.string)
在这个例子中，我们使用了BeautifulSoup(html_doc, 'html.parser')来创建一个Beautiful Soup对象。然后我们使用了.title来获取标题标签和.find_all()方法来获取所有的<a>标签。
使用不同的解析器
Beautiful Soup支持不同的解析器，这里是如何选择解析器的例子：
html.parser: 使用Python内置的HTML解析器。lxml: 使用lxml的HTML解析器。lxml-xml: 使用lxml的XML解析器。html5lib: 使用html5lib解析器，它会像浏览器一样解析HTML。
# 使用lxml解析器来创建Beautiful Soup对象
soup = BeautifulSoup(html_doc, 'lxml')
# 其他用法与html.parser相同
请注意，使用lxml或html5lib可能需要你先安装这些库（可以使用pip安装）。
pip install lxml
pip install html5lib
Beautiful Soup库在爬虫和数据挖掘中非常有用，因为它可以轻松处理网页中的复杂元素和嵌套。
本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。 如若内容造成侵权/违法违规/事实不符，请联系我的编程经验分享网邮箱：veading@qq.com进行投诉反馈，一经查实，立即删除！