爬虫网页解析之css用法及实战爬取中国校花网

栏目: 编程工具 · 发布时间: 5年前

内容简介:我们都知道,爬虫获取页面的响应之后,最关键的就是如何从繁杂的网页中把我们需要的数据提取出来,python从网页中提取数据的包很多,常用的解析模块有下面的几个:它是由lxml库构建的,并简化了API ,先通过XPath或者CSS选择器选中要提取的数据,然后进行提取

我们都知道,爬虫获取页面的响应之后,最关键的就是如何从繁杂的网页中把我们需要的数据提取出来,

python从网页中提取数据的包很多,常用的解析模块有下面的几个:

  • BeautifulSoup API简单 但解析速度慢,不推荐使用

  • lxml 由 C语言 编写的xml解析库(libxm2),解析速度快 但是API复杂

  • Scrapy 综合以上两者优势实现了自己的数据提取机制,被称为Selector选择器。

它是由lxml库构建的,并简化了API ,先通过XPath或者CSS选择器选中要提取的数据,然后进行提取

Scrapy选择器构建于 lxml 库之上,这意味着它们在速度和解析准确性上非常相似。

Selector选择器的用法

下面我们以 Scrapy Shell 和 Scrapy 文档服务器的一个样例页面(url=http://doc.scrapy.org/en/latest/_static/selectors-sample1.html) 来了解选择器的基本用法:

构造选择器

Scrapy selector 可以以 文字(Text),二进制(content)或 TextResponse 构造的 Selector。其根据输入类型自动选择最优的分析方法 以文字构造:

url = "http://doc.scrapy.org/en/latest/_static/selectors-sample1.html"
response = requests.get(url=url)
selector = Selector(text=response.text)
复制代码

以 response 构造:

selector = Selector(response=response)
复制代码

以二进制构造:

selector = Selector(text=response.content)
复制代码

使用选择器

这里强烈推荐使用 scrapy shell 来进行调试!

为什么要使用 scrapy shell ?

当我们需要爬取某个网站,然后提取数据的时候,要用到 xpath css 或者正则提取方法等

但是有时候这些xpath 或者css 语句不一定一次就能写对,有时候需要我们不断地去调试。

可能有些人会说,我每写一次然后重新去请求,输出结果测试一下就知道了。只能说这种做法就比较愚蠢了,如果遇到那种容易封IP的网站,你这样频繁的去请求测试,测不了几次,你的ip就被封了

这时候,我们要使用 scrapy shell 去调试,测试成功后,在拷贝到我们的项目中就可以了

如何使用 scrapy shell?

首先打开 Shell, 然后输入命令 scrapy shell url

scrapy shell http://doc.scrapy.org/en/latest/_static/selectors-sample1.html
复制代码
爬虫网页解析之css用法及实战爬取中国校花网

当然在 pycharm中, 也可以使用

爬虫网页解析之css用法及实战爬取中国校花网

shell 载入后,将获得名为 response 的 shell 变量,url 响应的内容保存在 response 的变量中,可以直接使用以下方法来获取属性值

response.body
response.headers
response.headers['Server']
复制代码
爬虫网页解析之css用法及实战爬取中国校花网

由于在 response 中使用 XPath、CSS 查询十分普遍,因此,Scrapy 提供了两个实用的快捷方式:

response.css()
response.xpath()
复制代码

比如,我们获取该网页下的 title 标签,方法如下:

>>> response.css("title")
[<Selector xpath='descendant-or-self::title' data='<title>Example website</title>'>]
>>> response.xpath("//title")
[<Selector xpath='//title' data='<title>Example website</title>'>]
复制代码

.xpath() 以及 .css() 方法返回一个类 SelectList 的实例,它是一个新选择器的列表。这个 API 可以用来快速的提取嵌套数据。

为了提取真实的原文数据,需要调用 .extract() 等方法

提取数据

extract():返回选中内容的Unicode字符串。

extract_first():SelectorList专有,返回其中第一个Selector对象调用extract方法。通常SelectorList中只含有一个Selector对象的时候选择调用该方法。

re() 使用正则表达式来提取选中内容中的某部分。

举个例子

>>> selector.xpath('.//b/text()') .extract() 
[‘价格:99.00元’,‘价格:88.00元’,‘价格:88.00元’]
>>> selector.xpath('.//b/text()').re('\d+\.\d+')        
[ '99.00','88.00','88.00']
复制代码

re_first() 返回SelectorList对象中的第一个Selector对象调用re方法。

>>> selector.xpath('.//b/text()').re_first('\d+\.\d+')   
 '99.00'
复制代码

css语法简单介绍

" * " 选择所有节点 " # container " 选择id为container的节点 " .container " 选择class包含container的节点 "li a " 选择 所有 li 下的所有 a 节点 "ul + p" 选择所有ul后面的第一个p元素 "#container > ul" 选择id为container的第一个ul节点 "a[class] " 选取所有有class属性的a元素 "a[href="b.com"]" 含有href="b.com"的a元素 "a[href*='job'] " 包含job的a元素 "a[href^='https'] " 开头是https的a元素 "a[href$='cn']" 结尾是cn的a元素

我们以上面的样例网页为例 下面是样例的html的源码

<html>
 <head>
  <base href='http://example.com/' />
  <title>Example website</title>
 
<link rel="stylesheet" href="/10994125-6b4dfbe961384f54928ea988268cedc6.css?1554613507" type="text/css"/>
<script language="javascript" type="text/javascript" src="/10994125-ea42c7db7c884a6691551d5756c02302.js?1554613507" charset="utf-8"></script>
</head>
 <body>
  <div id='images'>
   <a href='image1.html'>Name: My image 1 <br /><img src='image1_thumb.jpg' /></a>
   <a href='image2.html'>Name: My image 2 <br /><img src='image2_thumb.jpg' /></a>
   <a href='image3.html'>Name: My image 3 <br /><img src='image3_thumb.jpg' /></a>
   <a href='image4.html'>Name: My image 4 <br /><img src='image4_thumb.jpg' /></a>
   <a href='image5.html'>Name: My image 5 <br /><img src='image5_thumb.jpg' /></a>
  </div>
 </body>
</html>
复制代码

css用法实例

>>> response.css("title ::text").extract_first('')   # 获取文本
'Example website'

>>> response.css("#images ::attr(href)").extract()   # 获取 id= images 下的所有href属性
['image1.html', 'image2.html', 'image3.html', 'image4.html', 'image5.html']

>>> response.css('a[href*=image]::attr(href)').extract()   # 获取所有包含 image 的 href 属性
['image1.html', 'image2.html', 'image3.html', 'image4.html', 'image5.html']


>>> response.css("#images a")[0].css("::attr(href)").extract()  # css选取第一个a标签里面的href属性
['image1.html']

>>> response.xpath(".//div[@id='images']/a[1]").xpath("@href").extract()  # xpath选取第一个a标签里面的href属性
['image1.html']




复制代码

css用法实战

目标地址:中国大学校花网 www.xiaohuar.com/hua/

爬虫整体思路: 1、先将总页数拿下来 2、根据总页数循环去拿图片地址 3、再请求图片链接,将图片保存到本地

F12打开浏览器开发者工具,找到尾页再网页源码中的位置

爬虫网页解析之css用法及实战爬取中国校花网

可以看到尾页链接在 a 标签列表里面的末尾,在 css 中我们可以使用切片的方法来获取最后一个值 语法如下:

total_pages = selector.css(".page_num a")[-1:].css("::attr(href)").re(r".*?(\d+).html")[0]   # css
total_pages = selector.xpath(".//div[@class='page_num']/a")[-1:].xpath("@href").re(r".*?(\d+).html")[0]   # xpath
复制代码
爬虫网页解析之css用法及实战爬取中国校花网

同样的方法(不细说了),我们获取图片的地址和名称 语法如下:

img_list = selector.css(".item_list.infinite_scroll .item_t .img")
for img in img_list:
    title = img.css("a img ::attr(alt)").extract_first("")
    src = img.css("a img ::attr(src)").extract_first("")
复制代码
爬虫网页解析之css用法及实战爬取中国校花网

因为只是用来测试,所以我只爬了前几页,如果想爬全部,将循环的页数改成 total_pages 即可 最终效果如下:

爬虫网页解析之css用法及实战爬取中国校花网

不到2分钟,就全部爬完了,因为是爬虫入门的教程,所以就没用异步的爬虫框架,下面是源码

# coding: utf-8
import requests
import time
from scrapy import Selector
import os


class XiaoHuaSpider(object):
    headers = {
        'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; Win64; x64)AppleWebKit/537.36 (KHTML, like Gecko) Chrome/71.0.3578.98 Safari/537.36'
    }

    def spider(self):
        """
        爬虫入口
        :return:
        """
        url = "http://www.xiaohuar.com/hua/"
        response = requests.get(url, headers=self.headers)
        selector = Selector(text=response.text)
        total_pages = selector.css(".page_num a")[-1:].css("::attr(href)").re(r".*?(\d+).html")[0]  # 总页数
        self.parse_html(selector)  # 第一页爬取

        for page in range(1, 5):  # 第二页至第五页
            url = f"http://www.xiaohuar.com/list-1-{page}.html"
            response = requests.get(url, headers=self.headers)
            selector = Selector(text=response.text)  # 创建选择器
            self.parse_html(selector)  # 解析网页

    def parse_html(self, selector):

        img_list = selector.css(".item_list.infinite_scroll .item_t .img")
        for img in img_list:
            title = img.css("a img ::attr(alt)").extract_first("")
            src = img.css("a img ::attr(src)").extract_first("")

            if "file" in src:  # 第一个图片和其他图片地址不一样
                src = "http://www.xiaohuar.com" + src
            img_res = requests.get(src, headers=self.headers)
            data = img_res.content
            self.save_img(title, data)

    @staticmethod
    def save_img(title, data):
        """
        保存图片到本地
        :param title: 
        :param data: 
        :return: 
        """
        os.chdir("F:\\测试\\校花")   # 需要先在本地创建此目录
        if os.path.exists(title + ".jpg"):
            print(f"{title}已存在")
        else:
            print(f"正在保存{title}")
            with open(title + ".jpg", "wb")as f:
                f.write(data)


if __name__ == '__main__':
    spider = XiaoHuaSpider()
    t1 = time.time()
    spider.spider()
    t2 = time.time()
    print(t2 - t1)
复制代码
爬虫网页解析之css用法及实战爬取中国校花网

以上就是本文的全部内容,希望对大家的学习有所帮助,也希望大家多多支持 码农网

查看所有标签

猜你喜欢:

本站部分资源来源于网络,本站转载出于传递更多信息之目的,版权归原作者或者来源机构所有,如转载稿涉及版权问题,请联系我们

The Art of Computer Programming, Volumes 1-3 Boxed Set

The Art of Computer Programming, Volumes 1-3 Boxed Set

Donald E. Knuth / Addison-Wesley Professional / 1998-10-15 / USD 199.99

This multivolume work is widely recognized as the definitive description of classical computer science. The first three volumes have for decades been an invaluable resource in programming theory and p......一起来看看 《The Art of Computer Programming, Volumes 1-3 Boxed Set》 这本书的介绍吧!

CSS 压缩/解压工具
CSS 压缩/解压工具

在线压缩/解压 CSS 代码

SHA 加密
SHA 加密

SHA 加密工具

UNIX 时间戳转换
UNIX 时间戳转换

UNIX 时间戳转换