网页信息提取

作者: Cloud_J | 来源:发表于2019-01-29 16:04 被阅读42次

Beautifulsoup库简介

在介绍使用css选择器之前，我们先来了解一下要与其配合使用的Beautifulsoup库

Beautiful Soup 是一个可以从HTML或XML文件中提取数据的Python库.它能够通过你喜欢的转换器实现惯用的文档导航,查找,修改文档的方式.Beautiful Soup会帮你节省数小时甚至数天的工作时间.

安装

Beautifulsoup库的安装和requests库的安装类似，只要在命令行中用pip命令就可以了

$ pip install beautifulsoup4

Beautifulsoup库的使用

还是以百度首页为例，我们先用requests库的get方法获得页面

import requests
# 从bs4库中导入Beautifulsoup类
from bs4 import BeautifulSoup

url = "http://www.baidu.com"
r = requests.get(url)
r.encoding = 'utf-8'
# 用一个变量来保存爬到的页面
html = r.text
# 使用‘lxml HTML’作为解释器解析HTML
soup = BeautifulSoup(html, 'lxml')
# 格式化输出
print(soup.prettify())

# result
# <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="http://s1.bdstatic.com/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">
# ... ...

可以看到，用Beautifulsoup库解析之后的HTML被转换成了标签树，标签树的每一个节点都是一个python对象，因此我们就可以很方便地对标签树进行操作。

CSS选择器

CSS选择器是一种单独的文档搜索语法。Beautiful Soup支持大部分的CSS选择器，Tag和Beautifulsoup对象的.select()方法可以通过传入字符串参数找到对应的标签。

例如我们要找title标签:

title = soup.select("title")
print(title)

# [<title>百度一下，你就知道</title>]

也可以通过标签逐层查找：

title = soup.select('html head title')
print(title)

# [<title>百度一下，你就知道</title>]

直接子标签查找：

a = soup.select('p > a')
print(a)

'''
[<a href="http://home.baidu.com">关于百度</a>,
 <a href="http://ir.baidu.com">About Baidu</a>,
 <a href="http://www.baidu.com/duty/">使用百度前必读</a>,
 <a class="cp-feedback" href="http://jianyi.baidu.com/">意见反馈</a>]
'''

通过类名和id查找：

# 查找class='lb'的标签
print(soup.select('.lb'))
# 查找id='cp'的标签
print(soup.select('#cp'))

'''
[<a class="lb" href="http://www.baidu.com/bdorz/login.gif?login&amp;tpl=mn&amp;u=http%3A%2F%2Fwww.baidu.com%2f%3fbdorz_come%3d1" name="tj_login">登录</a>]
[<p id="cp">©2017 Baidu <a href="http://www.baidu.com/duty/">使用百度前必读</a>  <a class="cp-feedback" href="http://jianyi.baidu.com/">意见反馈</a> 京ICP证030173号  <img src="//www.baidu.com/img/gs.gif"/> </p>]
'''

除了以上的一些基本的查找方法外，还有组合查找、属性查找、语言设置查找等，可以参看官方文档中关于选择器的一节

正则表达式

正则表达式(Regular Expression)是一种文本模式，包括普通字符（例如，a 到 z 之间的字母）和特殊字符（称为"元字符"）。

正则表达式使用单个字符串来描述、匹配一系列匹配某个句法规则的字符串。

简单来说，正则表达式是用来简洁表达一组字符串的表达式。

举个简单的例子，比如你要匹配字符串中的'PY''PYY''PYYYY'......'PYYYYYYYY...'，它们对应的正则表达式就是'PY+'

总的来说，正则表达式是

通用的字符串表达框架
简洁表达一组字符串的表达式
针对字符串表达’简洁‘和’特征’思想的工具
判断某字符串的特征归属

正则表达式描述了一种字符串匹配的模式（pattern），可以用来检查一个串是否含有某种子串、将匹配的子串替换或者从某个串中取出符合某个条件的子串等。

正则表达式由字符和操作符构成

常用的操作符

操作符	说明
.	表示任何单个字符
[]	字符集，对单个字符给出取值范围
[^]	非字符集，对单个字符给出排除范围
*	前一个字符的0次或无限次扩展
+	前一个字符的1次或无限次扩展
?	前一个字符的0次或1次扩展
\|	左右表达式的任意一个
{m}	扩展前一个字符m次
{m,n}	扩展前一个字符m次到n次（包含）
^	匹配字符串开始
$	匹配字符串结尾
()	分组标记，内部只能使用\|
\d	数字，等价于[0-9]
\w	单词字符，等价于[A-Zz-z0-9_]

一些实例

正则表达式	对应字符串
P(Y\|YT\|YTH\|YTHO)?N	'PN', 'PYN', 'PYTN', 'PYTHN', 'PYTHON'
PYTHON+	'PYTHON', 'PYTHONN',......,'PYTHONNN......'
PYTH[ON]	'PYTHO', 'PYTHN'
PYTH{1,3}ON	'PYTHON', 'PYTHHON', 'PYTHHHON'
^[A-Za-z]+$	匹配由26个字母组成的字符串
^-?\d+$	匹配整数字符串
[1-9]\d{5}	中国境内邮政编码
[\u4e00-\u9fa5]	匹配中文字符

Re库

re库是python中用于正则表达式匹配操作的标准库，不需要安装，可以直接通过import re导入

re库采用的是原生字符串类型来表示正则表达式，原生字符串特点就是字符串中的‘\’不被解释为转义符，表示原生字符串只需要在字符串前面加上r就可以了

re库的主要功能函数：

函数	说明
re.search()	在一个字符串中搜索匹配正则表达式的第一个位置，返回match对象
re.match()	从一个字符串的开始位置起匹配正则表达式，返回match对象
re.findall()	搜索字符串，以列表类型返回全部能匹配的子串
re.split()	将一个字符串按照正则表达式匹配结果进行分割，返回列表类型
re.finditer()	搜索字符串，返回一个匹配结果的迭代类型，每个迭代元素是match对象
re.sub()	在一个字符串中替换所有匹配正则表达式的子串，返回替换后的字符串

re.match(pattern, string, flags=0)

∙ pattern : 正则表达式的字符串或原生字符串表示

∙ string : 待匹配字符串

∙ flags : 正则表达式使用时的控制标记

match()和search()的区别在于，match方法是从字符串的起始位置开始匹配，如果有一个字符不同便结束匹配，返回None；而search方法则是搜索整个字符串匹配符合规则的子串，以下是两种方法的比较

import re

re.search(r'b', 'abcba')  # <_sre.SRE_Match object; span=(1, 2), match='b'>
re.match(r'b', 'abcba')   # no match
re.search(r'a', 'abcba')  # <_sre.SRE_Match object; span=(0, 1), match='a'>
re.match(r'a', 'abcba')   # <_sre.SRE_Match object; span=(0, 1), match='a'>

如果匹配成功，返回的是一个match对象，其中包含很多信息

match对象的属性和方法

属性	说明	方法	说明
.string	待匹配的文本	.group(0)	获得匹配后的字符串
.re	匹配时使用的patter对象（正则表达式）	.start()	匹配字符串在原始字符串的开始位置
.pos	正则表达式搜索文本的开始位置	.end()	匹配字符串在原始字符串的结束位置
.endpos	正则表达式搜索文本的结束位置	.span()	返回(.start(), .end())

re.findall(pattern, string, flags=0)

findall方法返回的是所有符合匹配规则的字符串组成的列表，顺序是根据字符串从左到右

re.split(pattern, string, maxsplit=0, flags=0)

根据pattern的出现拆分字符串。如果在pattern中使用捕获括号，则模式中所有组的文本也会作为结果列表的一部分返回。maxsplit表示最大分割数，如果maxsplit不为零，则至多出现maxsplit分裂，并且字符串的其余部分作为列表的最后一个元素返回。

import re

re.split(r'b', 'abcba')      # ['a', 'c', 'a']
re.split(r'(b)', 'abcba')    # ['a', 'b', 'c', 'b', 'a']
re.split(r'b', 'abcba', 1)   # ['a', 'cba']
re.split(r'(b)', 'abcba', 1) # ['a', 'b', 'cba']

re.finditer(pattern, string, flags=0)

与findall方法作用相同，只不过是以迭代器的形式返回

re.sub(pattern, repl, string, count=0, flags=0)

· repl：替换匹配字符串的字符串

∙ count ：匹配的最大替换次数,为0时替换全部

将string中最左侧非重叠出现的pattern替换为repl，返回所获得的字符串。如果未找到该模式，则字符串将保持不变。repl 可以是一个字符串或一个函数

import re

re.sub(r'b','d','abcba')    # 'adcda'
re.sub(r'b','d','abcba', 1) # 'adcba'

flags

可以看到之前所以的函数中都有一个参数flags，它是用来配置正则表达式的匹配模式的。

取值可以使用按位或运算符|表示同时生效，比如re.I | re.M。(来自静觅)

re.I(全拼：IGNORECASE): 忽略大小写（括号内是完整写法，下同）
re.M(全拼：MULTILINE): 多行模式，改变’^’和’$’的行为
re.S(全拼：DOTALL): 点任意匹配模式，改变’.’的行为
re.L(全拼：LOCALE): 使预定字符类 \w \W \b \B \s \S 取决于当前区域设定
re.U(全拼：UNICODE): 使预定字符类 \w \W \b \B \s \S \d \D 取决于unicode定义的字符属性
re.X(全拼：VERBOSE): 详细模式。这个模式下正则表达式可以是多行，忽略空白字符，并可以加入注释。

Chrome开发者工具

如何调出Chrome开发者工具

按F12打开
单击右键，在菜单中点击“检查”打开

常用面板模块

元素(Elements)
网络(Network)

这里只介绍在写爬虫时可能会用到的两个功能模块，如果想了解其他的可以在网上找详细的教程

元素(Element)

单击Element标签页，页面左边显示的是HTML的结构，右边是选中元素的全部属性

鼠标移到某个元素上，页面视图上对应的地方会变成蓝色背景，可以用于定位元素对应的源代码。
选中一个元素，在底部可以看到该元素在HTML结构中的位置关系
右键一个元素可以对其进行修改，菜单从上到下依次是
- Add attribute : 为该元素添加属性
- Edit attribute：修改该元素的属性
- Delete element：删除元素
- Copy：复制元素的一些信息，移到上面会显示二级菜单
- ... ...
写某个元素的CSS选择器的时候，可以右键该元素，copy selector(有些版本叫CSS path或者CSS selector)

右侧显示的是选中元素的CSS属性，在Styles可以对CSS属性进行修改，删除和添加，仅对当前显示的页面生效，不会影响到源代码。

网络(Network)

Network是一个监控当前网页所有的http请求的面版，它主体部分展示的是每个http请求，每个字段表示着该请求的不同属性和状态

name：请求的文件名称
status：状态代码
type：文件类型
initiator：请求源
time：请求的时间
waterfall：请求发送过程的状态轴

当你按F5刷新页面的时候，可以看到最中间的的时间轴上花花绿绿的一条条线显示出来。这个记录的是页面在加载过程中所有的请求发出的时间和过程，你可以用鼠标选择一段时间，来观察这一段时间发出的请求内容

单击Name一列任意一个请求的文件名，则会跳出这个请求对应的参数header（表头信息、返回信息、请求基本状态等），Preview（返回的格式化转移后文本信息）、response（转移之前的原始信息）、Cookies（该请求带的cookies）、Timing（请求时间变化）。这些东西可以用来分析请求，在讲反爬虫的时候我们会深入介绍。

参考资料：
Beautifulsoup库官方文档
 re库官方文档