1|0一，正则表达式解析
re正则就不写了，前面已经写入一篇很详细的正则表达式模块了~
而且，在爬虫中，下面两种方式用的多一些~
正则表达式： 简介：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。XPath 是 W3C XSLT 标准的主要元素，并且 XQuery 和 XPointer 都构建于 XPath 表达之上。 安装：pip install lxml 调用方法： 先准备一个HTML格式的字符串 使用 “|” 运算符可以选取多个路径 轴可以定义相对于当前节点的节点集 使用功能函数能够更好的进行模糊搜索 简介： Beautiful Soup提供一些简单的、python式的函数用来处理导航、搜索、修改分析树等功能。 安装：pip3 install beautifulsoup4 解析器： Beautiful Soup支持Python标准库中的HTML解析器,还支持一些第三方的解析器，如果我们不安装它，则 Python 会使用 Python默认的解析器，lxml 解析器更加强大，速度更快。 先准备一个HTML格式的字符串 5、limit参数 如果文档树很大那么搜索会很慢.如果我们不需要全部结果,可以使用 limit 参数限制返回结果的数量.效果与SQL中的limit关键字类似,当搜索到的结果数量达到 limit 的限制时,就停止搜索返回结果 6、recursive 调用tag的 find_all() 方法时,Beautiful Soup会检索当前tag的所有子孙节点,如果只想搜索tag的直接子节点,可以使用参数 recursive=False . 像调用 find_all() 一样调用tag find_all() 几乎是Beautiful Soup中最常用的搜索方法,所以我们定义了它的简写方法. BeautifulSoup 对象和 tag 对象可以被当作一个方法来使用~ 这个方法的执行结果与调用这个对象的 find_all() 方法相同~ find( name , attrs , recursive , text , **kwargs ) find_all() 方法将返回文档中符合条件的所有tag,尽管有时候我们只想得到一个结果.比如文档中只有一个<body>标签,那么使用 find_all() 方法来查找<body>标签就不太合适, 使用 find_all 方法并设置 limit=1 参数不如直接使用 find() 方法 唯一的区别是 find_all() 方法的返回结果是值包含一个元素的列表,而 find() 方法直接返回结果. soup.head.title 是 tag的名字 方法的简写.这个简写的原理就是多次调用当前tag的 find() 方法: __EOF__ 作 者：Warm and new2|0二，Xpath解析
2|1简介及安装
# 先导包 from lxml import etree # 将html文档或者xml文档转换成一个etree对象，然后调用对象中的方法查找指定的节点 # 1. 本地文件 tree = etree.parse(文件名) tree.xpath("xpath表达式") # 2. 网络数据 tree = etree.HTML(网页内容字符串) tree.xpath("xpath表达式")2|2语法简介
html_doc = """ <!DOCTYPE html> <html> <head> <meta charset="UTF-8"> <title>Title</title> </head> <body> <div class="d1"> <div class="d2"> <p class="story"> <a )
4，取多个路径
表达式 结果 xpath(‘//div|//table’) # 选取所有的div和table节点 #######################例子###################### ret=selector.xpath("http://p[@class='story']/a[@class]|//div[@class='d3']") print(ret)5，Xpath轴
轴名称 表达式 描述 ancestor xpath(‘./ancestor::*’) # 选取当前节点的所有先辈节点（父、祖父） ancestor-or-self xpath(‘./ancestor-or-self::*’) # 选取当前节点的所有先辈节点以及节点本身 attribute xpath(‘./attribute::*’) # 选取当前节点的所有属性 child xpath(‘./child::*’) # 返回当前节点的所有子节点 descendant xpath(‘./descendant::*’) # 返回当前节点的所有后代节点（子节点、孙节点） following xpath(‘./following::*’) # 选取文档中当前节点结束标签后的所有节点 following-sibing xpath(‘./following-sibing::*’) # 选取当前节点之后的兄弟节点 parent xpath(‘./parent::*’) # 选取当前节点的父节点 preceding xpath(‘./preceding::*’) # 选取文档中当前节点开始标签前的所有节点 preceding-sibling xpath(‘./preceding-sibling::*’) # 选取当前节点之前的兄弟节点 self xpath(‘./self::*’) # 选取当前节点
6，功能函数
函数 用法 解释 starts-with xpath(‘//div[starts-with(@id,”ma”)]‘) # 选取id值以ma开头的div节点 contains xpath(‘//div[contains(@id,”ma”)]‘) # 选取id值包含ma的div节点 and xpath(‘//div[contains(@id,”ma”) and contains(@id,”in”)]‘) # 选取id值包含ma和in的div节点 text() xpath(‘//div[contains(text(),”ma”)]‘) # 选取节点文本包含ma的div节点
2|3Element对象
from lxml.etree import _Element for obj in ret: print(obj) print(type(obj)) # from lxml.etree import _Element ''' Element对象 class xml.etree.ElementTree.Element(tag, attrib={}, **extra) tag：string，元素代表的数据种类。 text：string，元素的内容。 tail：string，元素的尾形。 attrib：dictionary，元素的属性字典。 ＃针对属性的操作 clear()：清空元素的后代、属性、text和tail也设置为None。 get(key, default=None)：获取key对应的属性值，如该属性不存在则返回default值。 items()：根据属性字典返回一个列表，列表元素为(key, value）。 keys()：返回包含所有元素属性键的列表。 set(key, value)：设置新的属性键与值。 ＃针对后代的操作 append(subelement)：添加直系子元素。 extend(subelements)：增加一串元素对象作为子元素。＃python2.7新特性 find(match)：寻找第一个匹配子元素，匹配对象可以为tag或path。 findall(match)：寻找所有匹配子元素，匹配对象可以为tag或path。 findtext(match)：寻找第一个匹配子元素，返回其text值。匹配对象可以为tag或path。 insert(index, element)：在指定位置插入子元素。 iter(tag=None)：生成遍历当前元素所有后代或者给定tag的后代的迭代器。＃python2.7新特性 iterfind(match)：根据tag或path查找所有的后代。 itertext()：遍历所有后代并返回text值。 remove(subelement)：删除子元素。 '''3|0三，BeautifulSoup
3|1简介及安装
它是一个工具箱，通过解析文档为用户提供需要抓取的数据，因为简单，所以不需要多少代码就可以写出一个完整的应用程序。3|4find_all()
html_doc = """ <html><head><title>The Dormouse's story</title></head> <body> <p id="my p" class="title"><b id="bbb" class="boldest">The Dormouse's story</b> </p> <p class="story">Once upon a time there were three little sisters; and their names were <a ))
print(soup.find_all('a',limit=2))print(soup.html.find_all('a')) print(soup.html.find_all('a',recursive=False))tag
# 下面两行代码是等价的: soup.find_all("a") soup("a") # 这两行代码也是等价的: soup.title.find_all(text=True) soup.title(text=True)3|5find
下面两行代码是等价的: soup.find_all('title', limit=1) # [<title>The Dormouse's story</title>] soup.find('title') # <title>The Dormouse's story</title>
find_all() 方法没有找到目标是返回空列表, find() 方法找不到目标时,返回 None .print(soup.find("nosuchtag")) # Nonesoup.head.title # <title>The Dormouse's story</title> soup.find("head").find("title") # <title>The Dormouse's story</title>
出 处：https://www.cnblogs.com/peng104/p/10317601.html
共同學習，寫下你的評論
評論加載中...
作者其他優質文章
