目录

Python学习之路-初识爬虫:数据提取

什么是数据提取

简单的来说,数据提取就是从响应中获取我们想要的数据的过程

爬虫中数据的分类

  • 结构化数据:json,xml等
    • 处理方式:直接转化为python类型
  • 非结构化数据:HTML
    • 处理方式:正则表达式、xpath

数据提取之json

为什么要复习json

由于把json数据转化为python内建数据类型很简单,所以爬虫中,如果我们能够找到返回json数据的URL,就会尽量使用这种URL,而很多地方也都会返回json

什么是json

JSON(JavaScript Object Notation) 是一种轻量级的数据交换格式,它使得人们很容易的进行阅读和编写。同时也方便了机器进行解析和生成。适用于进行数据交互的场景,比如网站前台与后台之间的数据交互。

我们如何确定数据在哪里

在url地址对应的响应中搜索关键字即可

但是注意:url地址对应的响应中,中文往往是被编码之后的内容,所以更推荐大家去搜索英文和数字;另外一个方法就是在perview中搜索,其中的内容都是转码之后的

切换手机版寻找返回json的地址

在chrome中点击切换手机版的选项,需要重新刷新页面才能够切换成功,部分网站还需要重新进入主页面之后再继续点击才能够切换成功,比如:豆瓣热映

现在我们找到了返回电影数据的地址:https://m.douban.com/rexxar/api/v2/subject_collection/movie_showing/items?os=android&for_mobile=1&callback=jsonp1&start=0&count=18&loc_id=108288&_=1524495777522

通过请求我们发现,并不能成功,那是为什么呢?

对比抓包的地址和现在的地址,会发现部分headers字段没有,通过尝试,会发现是Referer字段缺少的原因

在上面这个地址中,我们会发现响应中包含部分数据并不是我们想要的,如下:

1
;jsonp1({"count": 18, "start": 0, "subject_collection_items": "...."})

其中jsonp1似乎是很眼熟,在请求的地址中包含一个参数callback=jsonp1,正是由于这个参数的存在,才导致结果中也会有这部分数据,对应的解决方法是:直接删除url地址中的callback字段即可,在url地址中很多字段都是没用的,比如这里的&loc_id,_等等,可以大胆尝试

json数据格式化方法

  • 在preview中观察

  • 其中:

    • 红色方框部分表示json中的键
    • 蓝色方框部分由于是个列表,展开后,下面的数字表示列表中对应位置的值
  • 在线解析工具进行解析

    • 比如:https://www.bejson.com/
  • pycharm进行reformat code

    • 在pycharm中新建一个json文件,把数据存入后,点击code下面的reformat code,但是中文往往显示的是unicode格式

json数据的其他来源

抓包app,app的抓包方式会在后面学习,但是很多时候app中的数据是被加密的,但是仍然值得尝试

json模块中方法的学习

其中类文件对象的理解:

具有read()或者write()方法的对象就是类文件对象,比如f = open(“a.txt”,”r”) f就是类文件对象

具体使用方法:

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
#json.dumps 实现python类型转化为json字符串
#indent实现换行和空格
#ensure_ascii=False实现让中文写入的时候保持为中文
json_str = json.dumps(mydict,indent=2,ensure_ascii=False)


#json.loads 实现json字符串转化为python类型
my_dict = json.loads(json_str)


#json.dump 实现把python类型写入类文件对象
with open("temp.txt","w") as f:
    json.dump(mydict,f,ensure_ascii=False,indent=2)

# json.load 实现类文件对象中的json字符串转化为python类型
with open("temp.txt","r") as f:
    my_dict = json.load(f)

json模块的作用

Json在数据交换中起到了一个载体的作用,承载相互传递的数据

数据提取之正则

什么是正则表达式

用事先定义好的一些特定字符、及这些特定字符的组合,组成一个规则字符串,这个规则字符串用来表达对字符串的一种过滤逻辑。

正则表达式的常见语法

知识点

  • 正则中的字符
  • 正则中的预定义字符集
  • 正则中的数量词

正则的语法很多,不能够全部复习,对于其他的语法,可以临时查阅资料,比如:表示或还能使用|

练习: 下面的输出是什么?

1
2
3
string_a = '<meta http-equiv="X-UA-Compatible" content="IE=edge,chrome=1">\n\t\t<meta http-equiv="content-type" content="text/html;charset=utf-8">\n\t\t<meta content="always" name="referrer">\n        <meta name="theme-color" content="#2932e1">'
ret = re.findall("<.*>",string_a)
print(ret)

re模块的常见方法

  • pattern.match(从头找一个)

  • pattern.search(找一个)

  • pattern.findall(找所有)

    • 返回一个列表,没有就是空列表
    • re.findall("\d","chuan1zhi2") >> ["1","2"]
  • pattern.sub(替换)

    • re.sub("\d","_","chuan1zhi2") >> ["chuan_zhi_"]
  • re.compile(编译)

    • 返回一个模型P,具有和re一样的方法,但是传递的参数不同

    • 匹配模式需要传到compile中

      1
      2
      
      p = re.compile("\d",re.S)
      p.findall("chuan1zhi2")
      

python中原始字符串r的用法

知识点

  • 原始字符串
  • 元是字符串的长度
  • 原始字符串的使用

原始字符串定义(raw string):所有的字符串都是直接按照字面的意思来使用,没有转义特殊或不能打印的字符,原始字符串往往针对特殊字符而言。例如"\n"的原始字符串就是"\\n"

  • 原始字符串的长度

    1
    2
    3
    4
    5
    6
    7
    8
    
      In [19]: len("\n")
      Out[19]: 1
      
      In [20]: len(r"\n")
      Out[20]: 2
      
      In [21]: r"\n"[0]
      Out[21]: '\\'
    
  • 正则中原始字符串的使用

     1
     2
     3
     4
     5
     6
     7
     8
     9
    10
    11
    12
    13
    14
    15
    16
    17
    
      In [13]: r"a\nb" == "a\\nb"
      Out[13]: True
      
      In [14]: re.findall("a\nb","a\nb")
      Out[14]: ['a\nb']
      
      In [15]: re.findall(r"a\nb","a\nb")
      Out[15]: ['a\nb']
      
      In [16]: re.findall("a\\nb","a\nb")
      Out[16]: ['a\nb']
      
      In [17]: re.findall("a\\nb","a\\nb")
      Out[17]: []
      
      In [18]: re.findall(r"a\\nb","a\\nb")
      Out[18]: ['a\\nb']
    

    上面的现象说明什么?

正则中使用原始字符串r能够忽略转义符号带来的影响,加上原始字符串r之后,待匹配的字符串中有多少个\,正则中就添加多少个\即可

  • windows中原始字符串r的使用

xpath和lxml类库

为什么要学习xpath和lxml

lxml是一款高性能的 Python HTML/XML 解析器,我们可以利用XPath,来快速的定位特定元素以及获取节点信息

什么是xpath

XPath (XML Path Language) 是一门在 HTML\XML 文档中查找信息的语言,可用来在 HTML\XML 文档中对元素和属性进行遍历

认识xml

知识点:

  • html和xml的区别

  • xml中各个元素的的关系和属性

html和xml的区别

数据格式 描述 设计目标
XML 可拓展标记语言 被设计为传输与存储数据,其聚焦点是数据的内容
HTML 超文本标记语言 显示数据以及如何更好的显示数据

xpath的节点关系

是什么

每个XML的标签我们都称之为节点,其中最顶层的节点称为根节点。

xpath中节点选择的工具

  • Chrome插件 XPath Helper
    • 下载地址:https://pan.baidu.com/s/1UM94dcwgus4SgECuoJ-Jcg 密码:337b
  • Firefox插件 XPath Checker

注意: 这些工具是用来学习xpath语法的,他们都是从elements中匹配数据,elements中的数据和url地址对应的响应不相同,所以在代码中,不建议使用这些工具进行数据的提取

xpath语法

选取节点

XPath 使用路径表达式来选取 XML 文档中的节点或者节点集。这些路径表达式和我们在常规的电脑文件系统中看到的表达式非常相似。

使用chrome插件选择标签时候,选中时,选中的标签会添加属性class="xh-highlight”

下面列出了最有用的表达式:

表达式 描述
nodename 选中该元素。
/ 从根节点选取、或者是元素和元素间的过渡。
// 从匹配选择的当前节点选择文档中的节点,而不考虑它们的位置。
. 选取当前节点。
.. 选取当前节点的父节点。
@ 选取属性。
text() 选取文本。

查找特定的节点

路径表达式 结果
//title[@lang="eng”] 选择lang属性值为eng的所有title元素
/bookstore/book[1] 选取属于 bookstore 子元素的第一个 book 元素。
/bookstore/book[last()] 选取属于 bookstore 子元素的最后一个 book 元素。
/bookstore/book[last()-1] 选取属于 bookstore 子元素的倒数第二个 book 元素。
/bookstore/book[position()>1] 选择bookstore下面的book元素,从第二个开始选择
//book/title[text()='Harry Potter’] 选择所有book下的title元素,仅仅选择文本为Harry Potter的title元素
/bookstore/book[price>35.00]/title 选取 bookstore 元素中的 book 元素的所有 title 元素,且其中的 price 元素的值须大于 35.00。

注意点: 在xpath中,第一个元素的位置是1,最后一个元素的位置是last(),倒数第二个是last()-1

选取未知节点

XPath 通配符可用来选取未知的 XML 元素。

通配符 描述
* 匹配任何元素节点。
@* 匹配任何属性节点。
node() 匹配任何类型的节点。

lxml的认识

在前面学习了xpath的语法,那么在代码中我们如何使用xpath呢,对应的我们需要lxml

安装方式:pip install lxml

lxml模块的入门使用

导入lxml 的 etree 库 (导入没有提示不代表不能用)

from lxml import etree

利用etree.HTML,将字符串转化为Element对象,Element对象具有xpath的方法,返回结果的列表,能够接受bytes类型的数据和str类型的数据

1
2
html = etree.HTML(text) 
ret_list = html.xpath("xpath字符串")

把转化后的element对象转化为字符串,返回bytes类型结果 etree.tostring(element)