Python爬虫开发（三）—— 数据提取方法

喜欢ヅ旅行 2022-05-17 00:47 259阅读 0赞

# json #

*  数据交换格式，看起来像python类型（列表，字典）的字符串
 *  使用json之前，需要导入
 *  json.loads
    
     *  把json字符串转化为python类型
        
         *  Python
            
             *  json.loads(json字符串)
 *  哪里会返回json的数据
    
     *  浏览器切换到手机版
     *  抓包app
 *  json.dumps
    
     *  把Python类型转换为json字符串
        
         *  Python
            
             *  json.dumps（\{"a":"a","b":"2"\}）
             *  json.dumps(rets,ensure\_ascii=False,indent=2)
                
                 *  ensure\_ascii   ：让中文显示成中文
                 *  indent　： 能够让下一行在上一行的基础上空格
 *  豆瓣电影爬虫案例

# xpath和lxml #

*  xpath
    
     *  一门从html中提取数据的语言
 *  xpath语法
    
     *  xpath helper插件：帮助我们从elements中定位数据
     *  1.选择节点（标签）
        
         *  /html/head/meta  ：能够选中html下的head下的所有meta标签
     *  2. //  ：能够从任意节点开始选择
        
         *  //li  ：当前页面上的所有li标签
         *  /html/head//link   ：head下的所有link标签
     *  3. @符号的用途
        
         *  选择具体某个元素   ：//div\[@class='feed-infinite-wrapper'\]/ul/li
            
             *  选择class='feed-infinite-wrapper‘的div下的ul下的li
         *  a/@href   ：选择a的href的值
     *  4.获取文本
        
         *  /a/text()   ：获取a下的文本
         *  /a//test()   ：获取a下的所有的文本
     *  5.当前
        
         *  ./a   ：当前节点下的a标签
 *  lxml
    
     *  安装：pip install lxml
     *  使用
        
         *  Python
            
             *  from lxml import etree
             *  element = etree.HTML("html字符串")
             *  element.xpath("")

# 写爬虫的讨论 #

*  1.url
    
     *  知道url地址的规律和总的页码数：构造url地址的列表
     *  start\_url
 *  2.发送请求，获取响应
    
     *  requests
 *  3.提取数据
    
     *  返回json字符串：json模块
     *  返回的是html字符串：lxml模块配合xpath提取数据
 *  4.保存

# 基础知识点的学习 #

*  format：字符串格式化的一种方式
    
     *  Python
        
         *  "孤独\{\}键客".format(1)
         *  "孤独\{\}键客".format(\[1,2,3\])
         *  "孤独\{\}键客".format(\{1,2,3\})
         *  "孤独\{\}键客\{\}".format(\{1,2,4\},\[1,3,4\])
         *  "孤独\{\}键客\{\}".format(\{1,2,3\},1)
 *  列表推导式
    
     *  帮助我们快速的生成包含一堆数据的列表
     *  Python
        
         *  \[i+10 for i in range(10)\]   --->\[10,11,12，...19\]
         *  \["10月\{\}日".format(i) for i in range(1,10)\]   ---> \["10月1日","10月2日",...,"10月9日"\]
 *  字典推导式
    
     *  帮助我们快速的生成包含一堆数据的字典
        
         *  Python
            
             *  \{i+10：for in  range(10)\}   \#--->（10:0,11:1,12:3....19:9）
             *  \{“a\{\}”.format(i):10 for i in range(3)\}   \#--->\{"a0":10,"a1":10,"a2":10\}
 *  三元运算符 
    
     *  if后面的条件成立，就把if前面的结果复制给a，否则把else后面的结果复制给a
        
         *  Python
            
             *  a = 10 if 4>3 else 20    \#a=10
             *  a = 10 if 4<3 else20    \#a=20