日韩无码专区无码一级三级片|91人人爱网站中日韩无码电影|厨房大战丰满熟妇|AV高清无码在线免费观看|另类AV日韩少妇熟女|中文日本大黄一级黄色片|色情在线视频免费|亚洲成人特黄a片|黄片wwwav色图欧美|欧亚乱色一区二区三区

在使用Python本爬蟲采集數據時，一個很重要的操作就是如何從請求到的網頁中提取數據，而正確定位想要的數據又是第一步操作。

創(chuàng)新互聯公司是一家集網站建設,劍閣企業(yè)網站建設,劍閣品牌網站建設,網站定制,劍閣網站建設報價,網絡營銷,網絡優(yōu)化,劍閣網站推廣為一體的創(chuàng)新建站企業(yè)，幫助傳統企業(yè)提升企業(yè)形象加強企業(yè)競爭力?？沙浞譂M足這一群體相比中小企業(yè)更為豐富、高端、多元的互聯網需求。同時我們時刻保持專業(yè)、時尚、前沿，時刻以成就客戶成長自我，堅持不斷學習、思考、沉淀、凈化自己，讓我們?yōu)楦嗟钠髽I(yè)打造出實用型網站。

本文將對比幾種 Python 爬蟲中比較常用的定位網頁元素的方式供大家學習：

• 傳統 BeautifulSoup 操作
• 基于 BeautifulSoup 的 CSS 選擇器(與 PyQuery 類似)
• XPath
• 正則表達式

參考網頁是當當網圖書暢銷總榜：

http://bang.dangdang.com/books/bestsellers/01.00.00.00.00.00-24hours-0-0-1-1

我們以獲取第一頁 20 本書的書名為例。先確定網站沒有設置反爬措施，是否能直接返回待解析的內容：

 
 
 
 

  
  
  
  
import requests 
  
  
  
  
 
  
  
  
  
url = 'http://bang.dangdang.com/books/bestsellers/01.00.00.00.00.00-24hours-0-0-1-1' 
  
  
  
  
response = requests.get(url).text 
  
  
  
  
print(response) 
 
 
 
 

仔細檢查后發(fā)現需要的數據都在返回內容中，說明不需要特別考慮反爬舉措

審查網頁元素后可以發(fā)現，書目信息都包含在 li 中，從屬于 class 為 bang_list clearfix bang_list_mode 的 ul 中

進一步審查也可以發(fā)現書名在的相應位置，這是多種解析方法的重要基礎

1. 傳統 BeautifulSoup 操作

經典的 BeautifulSoup 方法借助 from bs4 import BeautifulSoup，然后通過 soup = BeautifulSoup(html, "lxml") 將文本轉換為特定規(guī)范的結構，利用 find 系列方法進行解析，代碼如下：

 
 
 
 

  
  
  
  
import requests 
  
  
  
  
from bs4 import BeautifulSoup 
  
  
  
  
 
  
  
  
  
url = 'http://bang.dangdang.com/books/bestsellers/01.00.00.00.00.00-24hours-0-0-1-1' 
  
  
  
  
response = requests.get(url).text 
  
  
  
  
 
  
  
  
  
def bs_for_parse(response): 
  
  
  
  
    soup = BeautifulSoup(response, "lxml") 
  
  
  
  
    li_list = soup.find('ul', class_='bang_list clearfix bang_list_mode').find_all('li') # 鎖定ul后獲取20個li 
  
  
  
  
    for li in li_list: 
  
  
  
  
        title = li.find('div', class_='name').find('a')['title'] # 逐個解析獲取書名 
  
  
  
  
        print(title) 
  
  
  
  
 
  
  
  
  
if __name__ == '__main__': 
  
  
  
  
    bs_for_parse(response) 
 
 
 
 

成功獲取了 20 個書名，有些書面顯得冗長可以通過正則或者其他字符串方法處理，本文不作詳細介紹

2. 基于 BeautifulSoup 的 CSS 選擇器

這種方法實際上就是 PyQuery 中 CSS 選擇器在其他模塊的遷移使用，用法是類似的。關于 CSS 選擇器詳細語法可以參考：http://www.w3school.com.cn/cssref/css_selectors.asp由于是基于 BeautifulSoup 所以導入的模塊以及文本結構轉換都是一致的：

 
 
 
 

  
  
  
  
import requests 
  
  
  
  
from bs4 import BeautifulSoup 
  
  
  
  
 
  
  
  
  
url = 'http://bang.dangdang.com/books/bestsellers/01.00.00.00.00.00-24hours-0-0-1-1' 
  
  
  
  
response = requests.get(url).text 
  
  
  
  
         
  
  
  
  
def css_for_parse(response): 
  
  
  
  
    soup = BeautifulSoup(response, "lxml")  
  
  
  
  
    print(soup) 
  
  
  
  
 
  
  
  
  
if __name__ == '__main__': 
  
  
  
  
    css_for_parse(response) 
 
 
 
 

然后就是通過 soup.select 輔以特定的 CSS 語法獲取特定內容，基礎依舊是對元素的認真審查分析：

 
 
 
 

  
  
  
  
import requests 
  
  
  
  
from bs4 import BeautifulSoup 
  
  
  
  
from lxml import html 
  
  
  
  
 
  
  
  
  
url = 'http://bang.dangdang.com/books/bestsellers/01.00.00.00.00.00-24hours-0-0-1-1' 
  
  
  
  
response = requests.get(url).text 
  
  
  
  
         
  
  
  
  
def css_for_parse(response): 
  
  
  
  
    soup = BeautifulSoup(response, "lxml") 
  
  
  
  
    li_list = soup.select('ul.bang_list.clearfix.bang_list_mode > li') 
  
  
  
  
    for li in li_list: 
  
  
  
  
        title = li.select('div.name > a')[0]['title'] 
  
  
  
  
        print(title) 
  
  
  
  
 
  
  
  
  
if __name__ == '__main__': 
  
  
  
  
    css_for_parse(response) 
 
 
 
 

3. XPath

XPath 即為 XML 路徑語言，它是一種用來確定 XML 文檔中某部分位置的計算機語言，如果使用 Chrome 瀏覽器建議安裝 XPath Helper 插件，會大大提高寫 XPath 的效率。

之前的爬蟲文章基本都是基于 XPath，大家相對比較熟悉因此代碼直接給出：

 
 
 
 

  
  
  
  
import requests 
  
  
  
  
from lxml import html 
  
  
  
  
 
  
  
  
  
url = 'http://bang.dangdang.com/books/bestsellers/01.00.00.00.00.00-24hours-0-0-1-1' 
  
  
  
  
response = requests.get(url).text 
  
  
  
  
 
  
  
  
  
def xpath_for_parse(response): 
  
  
  
  
    selector = html.fromstring(response) 
  
  
  
  
    books = selector.xpath("http://ul[@class='bang_list clearfix bang_list_mode']/li") 
  
  
  
  
    for book in books: 
  
  
  
  
        title = book.xpath('div[@class="name"]/a/@title')[0] 
  
  
  
  
        print(title) 
  
  
  
  
 
  
  
  
  
if __name__ == '__main__': 
  
  
  
  
    xpath_for_parse(response) 
 
 
 
 

4. 正則表達式如果對 HTML 語言不熟悉，那么之前的幾種解析方法都會比較吃力。這里也提供一種萬能解析大法：正則表達式，只需要關注文本本身有什么特殊構造文法，即可用特定規(guī)則獲取相應內容。依賴的模塊是 re

首先重新觀察直接返回的內容中，需要的文字前后有什么特殊：

 
 
 
 

  
  
  
  
import requests 
  
  
  
  
import re 
  
  
  
  
 
  
  
  
  
url = 'http://bang.dangdang.com/books/bestsellers/01.00.00.00.00.00-24hours-0-0-1-1' 
  
  
  
  
response = requests.get(url).text 
  
  
  
  
print(response) 
 
 
 
 

觀察幾個數目相信就有答案了：

 
 
 
 

  
  
  
  
import requests 
  
  
  
  
import re 
  
  
  
  
 
  
  
  
  
url = 'http://bang.dangdang.com/books/bestsellers/01.00.00.00.00.00-24hours-0-0-1-1' 
  
  
  
  
response = requests.get(url).text 
  
  
  
  
 
  
  
  
  
def re_for_parse(response): 
  
  
  
  
    reg = '
  
  
  
  
    for title in re.findall(reg, response): 
  
  
  
  
        print(title) 
  
  
  
  
 
  
  
  
  
if __name__ == '__main__': 
  
  
  
  
    re_for_parse(response) 
 
 
 
 

 
 
 
 

  
  
  
  
import requests 
  
  
  
  
from bs4 import BeautifulSoup 
  
  
  
  
from lxml import html 
  
  
  
  
import re 
  
  
  
  
 
  
  
  
  
url = 'http://bang.dangdang.com/books/bestsellers/01.00.00.00.00.00-24hours-0-0-1-1' 
  
  
  
  
response = requests.get(url).text 
  
  
  
  
 
  
  
  
  
def bs_for_parse(response): 
  
  
  
  
    soup = BeautifulSoup(response, "lxml") 
  
  
  
  
    li_list = soup.find('ul', class_='bang_list clearfix bang_list_mode').find_all('li') 
  
  
  
  
    for li in li_list: 
  
  
  
  
        title = li.find('div', class_='name').find('a')['title'] 
  
  
  
  
        print(title) 
  
  
  
  
 
  
  
  
  
def css_for_parse(response): 
  
  
  
  
    soup = BeautifulSoup(response, "lxml") 
  
  
  
  
    li_list = soup.select('ul.bang_list.clearfix.bang_list_mode > li') 
  
  
  
  
    for li in li_list: 
  
  
  
  
        title = li.select('div.name > a')[0]['title'] 
  
  
  
  
        print(title) 
  
  
  
  
 
  
  
  
  
def xpath_for_parse(response): 
  
  
  
  
    selector = html.fromstring(response) 
  
  
  
  
    books = selector.xpath("http://ul[@class='bang_list clearfix bang_list_mode']/li") 
  
  
  
  
    for book in books: 
  
  
  
  
        title = book.xpath('div[@class="name"]/a/@title')[0] 
  
  
  
  
        print(title) 
  
  
  
  
 
  
  
  
  
def re_for_parse(response): 
  
  
  
  
    reg = '
  
  
  
  
    for title in re.findall(reg, response): 
  
  
  
  
        print(title) 
  
  
  
  
 
  
  
  
  
if __name__ == '__main__': 
  
  
  
  
    # bs_for_parse(response) 
  
  
  
  
    # css_for_parse(response) 
  
  
  
  
    # xpath_for_parse(response) 
  
  
  
  
    re_for_parse(response)