【Python爬虫】数据解析之bs4解析和xpath解析

约定不等于承诺〃 2024-04-26 03:12 8阅读 0赞

> 🔥一个人走得远了，就会忘记自己为了什么而出发，希望你可以不忘初心，不要随波逐流，一直走下去🎶  
> 🦋 欢迎关注🖱点赞👍收藏🌟留言🐾  
> 🦄 本文由 [**程序喵正在路上**][Link 1] 原创，CSDN首发！  
> 💖 系列专栏：[Python爬虫][Python]  
> 🌠 首发时间：2022年8月9日  
> ✅ 如果觉得博主的文章还不错的话，希望小伙伴们三连支持一下哦

#### 阅读指南 ####

*  bs4解析
 *   *  1. HTML语法规则
     *  2. bs4模块安装
     *  3. 搞搞农产品价格
     *  4. 抓取彼岸图网壁纸
 *  xpath解析

## bs4解析 ##

### 1. HTML语法规则 ###

**bs4** 解析比较简单，但是呢，我们需要了解一些基础的前端知识，然后再使用 **bs4** 去提取，逻辑就会清晰很多，编写难度也会大大降低

**HTML**（**Hyper Text Markup Language**）超文本标记语言，是我们编写网页的最基本同时也是最核心的一种语言，其语法规则就是用不同的标签对网页上的内容进行标记，从而使网页显示出不同的展示效果

上述代码的含义是在页面中显示 “数据解析” **4** 个字，但是 “数据解析” 这 **4** 个字被 “`<h1>`” 和 “`</h1>`” 标记了，这个时候，浏览器在展示的时候就会让里面的内容，也就是 ”数据解析“ 这 **4** 个字变大加粗，俗称标题，所以 **HTML** 的语法就是用类似这样的标签对页面内容进行标记，不同的标签表示出来的效果也是不一样的

h1：一级标题
    h2：二级标题
    p：段落
    font：字体
    body：主体

这里只是给小白们简单科普一下，**HTML** 的标签远不止这些

好的，标签我们明白了，接下来就是属性了

我们还可以在标签中添加 ” `align='right'` " 这样的东西，这又是什么呢？

首先，这两个标签都是 **h1** 标签，都是一级标题，但是下面这个会显示在右边，也就是说，通过这种形式对 **h1** 标签添加了说明，这种语法在 **HTML** 中被称为标签的属性，并且属性可以有很多个

总结：**HTML** 语法：

<标签 属性="值" 属性="值">
    	被标记的内容
    </标签>

有了这些知识，我们再去看 **bs4** 就会得心应手了，因为 **bs4** 就是通过标签和属性去定位页面上的内容的

### 2. bs4模块安装 ###

**bs4** 是一个第三方库，首先我们得进行安装

在 **Python** 中推荐使用 **pip** 进行安装，很简单，在 **Pycharm** 下方找到 **Terminal**，输入以下命令：

pip install bs4

如果安装过慢，可以考虑更换为国内源：

pip install -i https://pypi.tuna.tsinghua.edu.cn/simple bs4

### 3. 搞搞农产品价格 ###

**bs4** 在使用的时候需要参照一些 **HTML** 的基本语法来进行使用，通过案例来学会使用 **bs4** 更加快捷

我们来尝试抓取北京岳各庄批发市场的农产品价格 ➔ [目标网站][Link 2]

![在这里插入图片描述][11921fe6eea34a209160659401c3e1ae.png]

![在这里插入图片描述][7e76adf770fa4a58904088c15da880a0.png]

代码实现：

import csv
    import requests
    from bs4 import BeautifulSoup
    
    # 获取页面源代码
    url = "http://www.ygzapm.com/web/dailyPrice"
    resp = requests.get(url)
    # print(resp.text)  # 测试用
    
    f = open("农产品信息.csv", mode="w", encoding='utf-8', newline='')
    csvWriter = csv.writer(f)
    
    # 解析数据
    # 1. 把页面源代码交给 BeautifulSoup 进行处理，生成 bs 对象
    page = BeautifulSoup(resp.text, "html.parser")  # 指定html解析器
    
    # 2. 从bs对象中查找数据，两个函数
    # find(标签,  属性=值)       找一个
    # find_all(标签, 属性=值)        找全部
    
    # table = page.find("table", class_="table")    # 加下划线区分关键字，与下面的表达式一样
    table = page.find("table", attrs={
        "class": "table"})
    # print(table)  # 测试用
    
    trs = table.find_all("tr")[1:]
    for tr in trs:  # 遍历表格的每一行
        tds = tr.find_all("td")
        type = tds[0].text  # 拿到被标签标记的内容
        name = tds[1].text
        max_price = tds[2].text
        min_price = tds[3].text
        avg_price = tds[4].text
        unit = tds[5].text
        market = tds[6].text
        date = tds[7].text
        # print(type, name, max_price, min_price, avg_price, unit, market, date)  # 测试用
        csvWriter.writerow([type, name, max_price, min_price, avg_price, unit, market, date])
    
    resp.close()
    f.close()
    print("over!!!")

效果：

![在这里插入图片描述][77e9ef98be4d4c9f82805fe8e17bf7b8.png]

你也可以对代码进行改进，抓取多页数据，但个人建议不要将全部数据都抓取下来

### 4. 抓取彼岸图网壁纸 ###

[彼岸图网][Link 3]

![在这里插入图片描述][ea10b9f13c5b46418cb059939fa8eba9.png]

你以为我们要抓取的是这些图片吗？

其实不是，我们要抓取的是点击图片进入的页面的高清图片，也就是如下

![在这里插入图片描述][bd89442d4a1342718eb4bc192b0c8a62.png]

具体步骤一共有三步：

1.  获取主页面源代码，然后提取子页面的链接地址
2.  获取子页面源代码，查找图片的下载地址
3.  下载图片

废话不多说，开搞

import requests
    from bs4 import BeautifulSoup
    import time
    
    # 1. 获取主页面源代码，然后提取子页面的链接地址
    url = "https://pic.netbian.com/"
    resp = requests.get(url)
    resp.encoding = 'gbk'
    
    main_page = BeautifulSoup(resp.text, "html.parser")
    alist = main_page.find("div", class_="slist").find_all("a")
    # print(alist) # 测试用
    
    for a in alist:
        href = url + a.get('href')     # 通过get得到属性的值，拼接得到完整子页面链接
        # print(a)  # 测试用
    
        # 2. 获取子页面源代码，查找图片的下载地址
        sub_page_resp = requests.get(href)
        sub_page_resp.encoding = 'gbk'
        sub_page_text = sub_page_resp.text
    
        # 从子页面中获取图片的下载地址
        sub_page = BeautifulSoup(sub_page_text, "html.parser")
        div = sub_page.find("div", class_="photo-pic")
        img = div.find("img")
        img_href = url + img.get("src").strip("/")       # 拼接图片的下载地址
        # print(img_href)   # 测试用
    
        # 3. 下载图片
        img_resp = requests.get(img_href)
        img_name = img_href.split("/")[-1]      # 图片名称
        img_package = "D:\\pythonProject\\images\\"     # 先自己创建一个文件夹以便存放图片，再运行程序
        with open(img_package + img_name, mode='wb') as f:
            f.write(img_resp.content)   # 这里拿到的是字节
    
        img_resp.close()
        sub_page_resp.close()
        print(img_name + " 已下载成功")
        time.sleep(1)       # 让服务器休息一下
    
    resp.close()
    print("over!!!")

这里是因为我的编译器设置了背景，图片效果不是特别好，还行

![在这里插入图片描述][4e26979ff24d41e8bdfeaa65ae11b682.png]

![在这里插入图片描述][7ad0ac4ddaa44551a94df3ec3ccd6a30.png]

![在这里插入图片描述][fadf47c555694aed98cfc154af2980a0.png]

![在这里插入图片描述][ed89be4f6137479e94770f23a55e723a.png]

## xpath解析 ##

**xpath** 是一门在 **XML** 文档中查找信息的语言，**xpath** 可用来在 **XML** 文档中对元素和属性进行遍历，而我们熟知的 **HTML** 恰巧属于 **XML** 的一个子集，所以完全可以用 **xpath** 去查找 **html** 中的内容

首先，我们先了解几个概念

<book>
    	<id>1</id>
     	<name>天才基本法</name>
     	<price>8.9</price>
     	<author>
     		<nick>林朝夕</nick>
     		<nick>裴之</nick>
     	</author>
    </book>

在上述 **html** 中,

1.  **book, id, name, price**…都被称为节点.
2.  **Id, name, price, author** 被称为 **book** 的子节点
3.  **book** 被称为 **id, name, price, author** 的父节点
4.  **id, name, price,author** 被称为同胞节点

好的，有了这些基础知识后，我们就可以开始了解 **xpath** 的基本语法了

在 **Python** 中想要使用 **xpath**，需要安装 **lxml** 模块

pip install lxml

用法：

1.  将要解析的 **html** 内容构造出 **etree** 对象.
2.  使用 **etree** 对象的 **xpath()** 方法配合 **xpath** 表达式来完成对数据的提取

from lxml import etree
    
    xml = """
    <book>
        <id>1</id>
        <name>天才基本法</name>
        <price>8.9</price>
        <author>
            <nick id="10086">林朝夕</nick>
            <nick id="10010">裴之</nick>
            
            <div>
                <nick id="jay1">周杰伦1</nick>
            </div>
            
            <span>
                <nick id="jay2">周杰伦2</nick>
            </span>
        </author>
        
         <partner>
             <nick id="ppc">佩奇</nick>
             <nick id="ppbc">乔治</nick>
         </partner>
    </book>
    """
    
    tree = etree.XML(xml)
    # result = tree.xpath("/book")     # / 表示层级关系，第一个 / 是根节点
    # result = tree.xpath("/book/name/text()")        # text() 获取文本
    # result  = tree.xpath("/book/author/nick/text()")
    # result  = tree.xpath("/book/author//nick/text()")       # 获取author里面所有nick里面的内容
    # result  = tree.xpath("/book/author/*/nick/text()")       # * 任意的节点，通配符
    result  = tree.xpath("/book//nick/text()")       # 获取所有nick里面的内容
    
    print(result)

准备一个 **HTML** 文件：

<!DOCTYPE html>
    <html lang="en">
    <head>
        <meta charset="UTF-8" />
        <title>Title</title>
    </head>
    
    <body>
        <ul>
            <li><a href="http://www.baidu.com">百度</a></li>
             <li><a href="http://www.google.com">⾕歌</a></li>
             <li><a href="http://www.sogou.com">搜狗</a></li>
        </ul>
         <ol>
             <li><a href="plane">⻜机</a></li>
             <li><a href="cannon">⼤炮</a></li>
             <li><a href="train">⽕⻋</a></li>
         </ol>
         <div class="jay">周杰伦</div>
         <div class="food">麻辣烫</div>
     </body>
     </html>

**xpath** 最方便的地方在于它可以直接复制，都不用你写

浏览器右击选择检查，点左上角小箭头点击你要提取的内容，它会自动匹配对应的 **HTML** 代码，右击 **HTML** 代码，选择复制，选择 **xpath**

![在这里插入图片描述][0dc19c9a85694b57bb7f64209b7e090c.png]

from lxml import etree
    
    tree = etree.parse("data.html")
    # result = tree.xpath('/html/body/ul/li[1]/a/text()')        #xpath的顺序是从1开始数的
    # result = tree.xpath("/html/body/ol/li/a[@href='cannon']/text()")        # 属性筛选
    # print(result)
    
    # ol_li_list = tree.xpath("/html/body/ol/li")
    # for li in ol_li_list:
    #     print(li.xpath("./a/text()"))       # 在li中继续查找，相对查找
    #     print(li.xpath("./a/@href"))     # 获取属性值
    #
    # print(tree.xpath("/html/body/ul/li/a/@href"))
    print(tree.xpath("/html/body/div[1]/text()"))

> 🧸 这次的分享就到这里啦，继续加油哦^^  
> 🐱 我是[程序喵][Link 1]，陪你一点点进步  
> 🍭 有出错的地方欢迎在评论区指出来，共同进步，谢谢啦

[Link 1]: https://blog.csdn.net/weixin_62511863?spm=1011.2421.3001.5343
[Python]: https://blog.csdn.net/weixin_62511863/category_11944614.html?spm=1001.2014.3001.5482
[Link 2]: http://www.ygzapm.com/web/dailyPrice
[11921fe6eea34a209160659401c3e1ae.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/26/a21d50530e774372a18efd4974d433d3.png
[7e76adf770fa4a58904088c15da880a0.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/26/bba43a2bfb364ec0aeea69b37f9a663c.png
[77e9ef98be4d4c9f82805fe8e17bf7b8.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/26/06aa532e69cc4a87b25fd07bd6dc0573.png
[Link 3]: https://pic.netbian.com/
[ea10b9f13c5b46418cb059939fa8eba9.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/26/e410433fdcd94888a9a9131e6cbf5873.png
[bd89442d4a1342718eb4bc192b0c8a62.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/26/4d790464fb7249f8a61ec5a58ea3b377.png
[4e26979ff24d41e8bdfeaa65ae11b682.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/26/979a8e7bac9d403f973fa56cd8e73731.png
[7ad0ac4ddaa44551a94df3ec3ccd6a30.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/26/8127b6b6e462451f9fab1fe6b89474f5.png
[fadf47c555694aed98cfc154af2980a0.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/26/d42c81630ba24ca69bf0e023a635376c.png
[ed89be4f6137479e94770f23a55e723a.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/26/0e65060340d4472187672543d3a28a0d.png
[0dc19c9a85694b57bb7f64209b7e090c.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/26/51f5208f2bd7406dbc478f1e23e4067f.png