BeautifulSoup、正则表达式

Python爬虫技术4：解析内容（补充知识：BeautifulSoup、正则表达式）一、补充BeautifulSoup的知识

首先准备一个html文件：baidu.html

对这个html进行解析
以下代码在后面贴出的代码中一直都要存在

from bs4 import BeautifulSoup

file =open("baidu.html","rb")
html=file.read()
bs=BeautifulSoup(html,"html.parser")   #解析html文档形成树形结构

1.Tag

#1.Tag 标签及其内容：拿到第一个标签及其所有内容
print(bs.title)
print(bs.head)

输出结果

2.NavigableString

#2.NavigableString：标签里的内容（字符串）
print(bs.title.string)

输出结果

获取标签里的所有属性

#获取第一个标签的所有属性
print(bs.a.attrs)

输出结果

3.BeautifulSoup

#3.BeautifulSoup 表示整个文档
print(type(bs))
print(bs)

输出结果

4.Comment

#4.Comment：是一个特殊的NavigatableString，输出的内容不包括注释符号
print(type(bs.a.string))
print(bs.a.string)

这里的输出的“新闻”对应第一个a标签里的注释（去除了注释符号）

5.具体应用
①文档的遍历

#----------应用----------
#文档的遍历
print(bs.head.contents)
print(bs.head.contents[1])

输出结果

除了contents之外还有很多的属性：



②文档的搜索
（1）find_all()

#文档的搜索

#(1)find_all()
#字符串过滤：会查找与字符串完全匹配的内容
t_list=bs.find_all("a")     #找到所有a标签，返回一个列表
print(t_list)

 

输出结果：

（2）正则表达式搜索

#正则表达式搜索：使用search（）方法来匹配内容
#也是按标签来找，当标签内含有a时就匹配上，返回列表
import re
t_list=bs.find_all(re.compile("a"))
print(t_list)

输出结果：

（3）根据函数要求搜索

#方法：传入一个函数（方法），根据函数要求搜索（了解）
def name_is_exists(tag):
    return tag.has_attr("name")
t_list=bs.find_all(name_is_exists)  #所有含有name的
print(t_list)

或者：

#方法：传入一个函数（方法），根据函数要求搜索（了解）
def name_is_exists(tag):
    return tag.has_attr("name")
t_list=bs.find_all(name_is_exists)  #所有含有name的

for item in t_list:
    print(item)

输出结果：

(4)kwargs

#(4)kwargs  指定参数
t_list=bs.find_all(id="head")
for item in t_list:     
    print(item)

#(4)kwargs  指定参数
t_list=bs.find_all(href="http://news.baidu.com")
for item in t_list:
    print(item)

输出结果：


（5）text 参数

#(5)text 参数
t_list=bs.find_all(text="新闻")
for item in t_list:
    print(item)

#(5)text 参数
t_list=bs.find_all(text=["新闻","百度一下，你就知道"])
for item in t_list:
    print(item)

#(5)text 参数
import re
t_list=bs.find_all(text=re.compile("\d"))  #查找所有含有数字的文本（应用正则表达式来查找包含特定文本的内容）
for item in t_list:
    print(item)

输出结果：



（6）limit 参数

#(6)limit 参数
t_list=bs.find_all("a",limit=2)
for item in t_list:
    print(item)

输出结果：

（7）css选择器

#css选择器
t_list=bs.select("title")     #通过标签来查找
n_list=bs.select(".mnav")     #通过class来查找
m_list=bs.select("#u1")       #通过id来查找
g_list=bs.select("a[class='mnav']") #通过属性来查找
h_list=bs.select("head > title")    #通过子标签查找（查找head标签里的title）
for item in t_list:
    print(item)
for item in n_list:
    print(item)
for item in m_list:
    print(item)
for item in g_list:
    print(item)
for item in h_list:
    print(item)

输出结果：

二、补充RE（正则表达式的知识）
1.基本知识点




2.基本应用
（1）search

#正则表达式：字符串模式（判断字符串是否符合一定的标准）
import re
#创建模式对象
pat=re.compile("AA")    #此处的AA是正则表达式，用来去验证其他的字符串
#search方法进行比对查找
m=pat.search("CBA")    #search后面的字符串是被校验的内容  不匹配
n=pat.search("ABCAA")   #匹配到了AA
p=pat.search("ABAADDCCAAA") #匹配到了AA
print(m)
print(n)
print(p)

输出结果：

#没有模式对象
m=re.search("asd","Aasd")   #前面的字符串是正则表达式，后面字符串时被校验的内容
print(m)

输出结果：

（2）findall

print(re.findall("[A-Z]","ASDaDFGAa"))  #前面的字符串是正则表达式，后面字符串时被校验的内容
print(re.findall("[A-Z]+","ASDaDFGAa"))

输出结果：

（3）sub

#用A替换a，第三个字符串是被替换的字符串
print(re.sub("a","A","abcdcasd"))

输出结果：

注意：建议在正则表达式中，被校验的字符串前面加上r，不用担心转义字符的问题

a="\nabs-\'"
b=r"\aabs-\'"
print(a)
print(b)

输出结果：

三、解析内容

学习完补充知识之后，继续编写我们的代码

部分代码详解：

        for item in soup.find_all('div',class_="item"):
            print(item)        #测试：查看电影item全部信息

2.

findLink=re.compile(r'<a href="(.*?)">')   #创建正则表达式对象，表示规则（字符串的模式）

其中是我们观察到的链接的一个模式（正则表达式），r是防止识别为转义字符的。

同理根据以下网页源码可以写出正则表达式

#影片详情链接的正则表达式
findLink=re.compile(r'<a href="(.*?)">')   #创建正则表达式对象，表示规则（字符串的模式）
#影片图片
findImgSrc=re.compile(r'<img.*src="(.*?)"',re.S)    #re.S 让换行符包含在字符中
#影片的片名
findTitle=re.compile(r'<span class="title">(.*)</span>')
#影片的评分
findRating=re.compile(r'<span class="rating_num" property="v:average">(.*)</span>')
#评价人数
findJudge=re.compile(r'<span>(\d*)人评价</span>')
#找到概况
findInq=re.compile(r'<span class="inq">(.*)</span>')
#找到影片的相关内容
findBd=re.compile(r'<p class="">(.*)</p>',re.S)

最终的代码：

#-*- coding = utf-8 -*-
#@Time : 2020/9/8 23:17
#@Author : Vivian
#@File : spider.py
#@Sofeware : PyCharm

from bs4 import BeautifulSoup  #网页解析，获取数据
import re   #正则表达式，进行文件匹配
import urllib.request,urllib.error  #指定URL，获取网页数据
import xlwt #进行excel操作
import sqlite3  #进行SQLite数据库操作


def main():
    baseurl="https://movie.douban.com/top250?start="
    #1.爬取网页
    datalist=getData(baseurl)

    savepath=".\\豆瓣电影Top250.xls"
    #3.保存数据
    #saveData(savepath)

    askURL("https://movie.douban.com/top250?start=0")

#正则表达式
#()里的东西是我们要的

#影片详情链接的正则表达式
findLink=re.compile(r'<a href="(.*?)">')   #创建正则表达式对象，表示规则（字符串的模式）
#影片图片
findImgSrc=re.compile(r'<img.*src="(.*?)"',re.S)    #re.S 让换行符包含在字符中
#影片的片名
findTitle=re.compile(r'<span class="title">(.*)</span>')
#影片的评分
findRating=re.compile(r'<span class="rating_num" property="v:average">(.*)</span>')
#评价人数
findJudge=re.compile(r'<span>(\d*)人评价</span>')
#找到概况
findInq=re.compile(r'<span class="inq">(.*)</span>')
#找到影片的相关内容
findBd=re.compile(r'<p class="">(.*?)</p>',re.S)

#1.爬取网页
def getData(baseurl):
    datalist=[]
    for i in range(0,10):       #调用获取页面信息的函数：十次
        url=baseurl+str(i*25)
        html=askURL(url)        #保存获取到的网页源码

        # 2.逐一解析数据
        soup=BeautifulSoup(html,"html.parser")

        # 查找符合要求的字符串，形成列表
        #下面查找div标签，有一个class属性（要加上下划线）等于item的内容
        for item in soup.find_all('div',class_="item"):
            #print(item)        #测试：查看电影item全部信息
            data=[]             #保存一部电影的所有信息
            item=str(item)      #变成字符串，可以用正则表达式分析

            #获取影片详情链接
            link=re.findall(findLink,item)[0]   #re库用来通过正则表达式（findLink）查找指定的字符串(item)，获得第一个满足的存到link里
            data.append(link)                   #添加链接

            imgSrc=re.findall(findImgSrc,item)[0]
            data.append(imgSrc)                 #添加图片

            titles=re.findall(findTitle,item)
            if (len(titles)==2):
                ctitle=titles[0]
                data.append(ctitle)             #添加中文名
                otitle=titles[1].replace("/","")    #去掉无关符号
                data.append(otitle)             #添加外国名
            else:
                data.append(titles[0])
                data.append(' ')       #外国名留空

            rating=re.findall(findRating,item)[0]
            data.append(rating)             #添加评分

            judgeNum=re.findall(findJudge,item)[0]
            data.append(judgeNum)           #添加评价人数

            inq=re.findall(findInq,item)
            if len(inq)!=0:
                inq=inq[0].replace("。","")      #去掉句号
                data.append(inq)                # 添加概述
            else:
                data.append(" ")                #留空

            bd=re.findall(findBd,item)[0]
            bd=re.sub('<br(\s+)?/>(\s+)?'," ",bd)    #去掉<br/>
            bd=re.sub('/'," ",bd)
            data.append(bd.strip())             #去掉前后空格

            datalist.append(data)      #把处理好的一部电影信息放入datalist

    #print(datalist)
    return datalist

#得到指定一个URL的网页内容
def askURL(url):
    head={      #模拟浏览器头部信息向豆瓣服务器发送消息   注意空格去掉
        "User-Agent": "Mozilla / 5.0(Windows NT 10.0;Win64;x64) AppleWebKit / 537.36(KHTML, likeGecko) Chrome / 80.0.3987.106Safari / 537.36"
    }
            #用户代理：告诉豆瓣服务器我们是什么类型的机器（浏览器）（表示我们可以接收什么水平的文件内容）

    request=urllib.request.Request(url,headers=head)
    html=""
    try:
        response=urllib.request.urlopen(request)
        html=response.read().decode("utf-8")
        #print(html)
    except urllib.error.URLError as e:
        if hasattr(e,"code"):
            print(e.code)
        if hasattr(e,"reason"):
            print(e.reason)
    return html



#3.保存数据
def saveData(savepath):
    pass

if __name__ == "__main__":      #当程序执行时（入口）
    #调用函数
    main()

https://blog.csdn.net/weixin_45474785/article/details/105719846