正则、xpath、bs4的语法和使用

单字符匹配

• . 除换行符之外的任意字符
• \d 表示数字
• \D 匹配非数字
• \w 匹配单词字符[a-z,A-Z,0-9]
• \W 匹配非单词字符
• \s 匹配空白字符，空格，\n \t…
• \S 匹配非空白字符
• ^ 匹配以…开头
• $ 匹配以…结尾
• [0-9] => \d 匹配0-9

多字符匹配（贪婪匹配）

• * 匹配*前面的字符任意次数
• + 匹配+前面的字符至少一次
• ？匹配？前面的字符0-1次
• {n,m}匹配{n,m}前面的字符n-m次

多字符匹配（非贪婪匹配）

• *？
• +？
• ？？

其他

• （）分组
• |逻辑或
• \转义字符

re模块下的方法

• repile()：构建正则表达式对象
• re.match():从起始位开始匹配，单次匹配，如果匹配到结果立即返回，反之，返回None
• re.search():在整个字符串中进行匹配，单次匹配，如果匹配到结果立即返回，反之，返回None
• re.findall():匹配出整个字符串中，所有符合正则规则的结果，返回一个列表
• re.finditer():匹配出整个字符串中，所有符合正则规则的结果，返回的是一个可迭代对象
• re.sub()：根据正则表达式进行字符串替换
• re.split():根据正则表达式进行分割

正则的用法

def get_rank_data(url='http://top.hengyan/dianji/default.aspx?p=1'):
    #构建请求头
    headers = {
        'User-Agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_13_6) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/75.0.3770.100 Safari/537.36',
    }
    # url, \目标url
    # data=None, \默认为None表示是get请求,如果不为None说明是get请求
    # timeout 设置请求的超时时间
    # cafile=None, capath=None, cadefault=False,:证书相关参数
    # context=None :忽略证书认证
    #urlopen不能添加请求头
    # response = request.urlopen(url=url,timeout=10)

    #添加请求头
    req = request.Request(url=url,headers=headers)
    response = request.urlopen(req,timeout=10)

    #响应状态码
    code = response.status
    #当前请求的url地址
    url = response.url
    print(code,url)

    b_content = response.read()
    # bytes -> str: decode
    # str -> bytes: encode
    # print(b_content)
    html = b_content.decode('utf-8')
    # print(html)
    # #文件操作
    # """
    # w:    w+:    wb:    wb+    a:    a+:    ab:    ab+:    r:    rb:
    # """
    # with open('hengyan.html','w') as file:
    #     file.write(html)

    #证据正则表达式解析数据
    # re.S 修饰：表示.可以匹配换行符

    pattern = repile('<div\sclass="list">(.*?)</div>',re.S)
    ul_str = re.findall(pattern,html)[0]

    pattern1 = repile('<ul.*?>(.*?)</ul>',re.S)
    li_strs = re.findall(pattern1,ul_str)[1:]

    for li_str in li_strs:
        # print(li_str)
        pattern = repile(
            '<li\sclass="num">(.*?)</li>'+
            '.*?<a.*?>(.*?)</a>'+
            '.*?<li.*?>(.*?)</li>'+
            '.*?<li.*?>(.*?)</li>'+
            '.*?<li.*?>(.*?)</li>'+
            '.*?<li.*?>(.*?)</li>',
            re.S
        )

        data = re.findall(pattern=pattern,string=li_str)[0]
        print(data)

    #提取下一页：
    if '下一页' in html:
        #说明还存在下一页
        pattern = repile('<span\sclass="pageBarCurrentStyle">(.*?)</span>',re.S)
        current_page = int(re.findall(pattern,html)[0])
        next_page = current_page+1
        #构造下一页的URL地址
        next_page_url = re.sub('\d+',str(next_page),url)
        print(next_page_url)
        get_rank_data(next_page_url)
    else:
        print('数据提取完毕')

if __name__ == '__main__':

    get_rank_data()

xpath

• 安装：pip install lxml
• 引用：from lxml import etree

创建etree对象进行指定数据解析

• 1.本地
  • etree = etree.parse(‘本地路径’)
  • etree.xpath(‘xpath表达式’)
• 2.网络
  • etree = etree.HTML(‘网络请求到页面的数据’)
  • etree.xpath(‘xpath表达式’)

常用的xpath表达式：

• 1.属性定位：
  • 找到class属性值为song的div标签
  • //div[@class=‘song’]
• 2.层级索引定位
  • 找到class属性值为tang的div的直系子标签ul下的第二个子标签li下的直系子标签a
  • //div[@class=‘tang’]/ul/li[2]/a
• 3.逻辑运算
  • 找到href属性值为空且class属性值为du的a标签
  • //a[@href=’’ and @class=‘du’]
• 4.模糊匹配
  • /表示获取某个标签下的文本内容 //div[@class=‘song’]/p[1]/text()
  • //表示获取某个标签下的文本内容和所有子标签下的文本内容 //div[@class=‘tang’]//text()
• 5.取属性
  • //div[@class=‘tang’]//li[2]/a/@href

class HengYanSpider(object):

    def __init__(self):
        self.first_url = 'http://all.hengyan/1/0_0_0_0_0_0_0_0_0_1.aspx'
        self.default_headers = {
            'User-Agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_13_6) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/75.0.3770.100 Safari/537.36'
        }

    def get_noval_url(self, url=None):
        url = self.first_url if not url else url
        """获取小说详情的url地址"""
        html = self.send_request(url)
        if html:
            # 解析数据(获取xpath解析器)
            etree_html = etree.HTML(html)
            noval_urls = etree_html.xpath('//li[@class="bookname"]/a[1]/@href')
            for noval_url in noval_urls:
                self.get_noval_detail(noval_url)

            # 获取下一页
            if '下一页' in html:
                # 说明还存在下一页
                current_page = int(self.extract_first(etree_html.xpath('//span[@class="pageBarCurrentStyle"]/text()]')))
                next_page = current_page + 1
                next_page_url = re.sub('\d+.aspx', str(next_page)+'.aspx', url)
                self.get_noval_url(next_page_url)
            else:
                print('数据提取完毕')
        else:
            print('数据获取失败')

    def get_noval_detail(self, noval_url):
        """获取书籍详情的页面内容,解析数据"""
        html = self.send_request(noval_url)
        if html:
            # 解析数据(获取xpath解析器)
            etree_html = etree.HTML(html)
            # print('得到了详情页面')
            noval_dict = {}
            # 书号
            book_id = self.extract_first(etree_html.xpath('//div[@class="dh"]/p/label/text()'))
            noval_dict['book_id'] = re.search('\d+', book_id).group()
            # 热度
            noval_dict['hot'] = self.extract_first(etree_html.xpath('//p[@class="wendu"]/b/text()'))
            # 火车票
            noval_dict['hot_track'] = self.extract_first(
                etree_html.xpath('//div[@class="piao"]/p[2]/span[@class="huocolor"]/text()'))
            # 冰票
            noval_dict['bing_track'] = self.extract_first(
                etree_html.xpath('//div[@class="piao"]/p[2]/span[@class="bingcolor"]/text()'))
            # 金笔
            noval_dict['jingbi'] = self.extract_first(etree_html.xpath('//div[@class="jinbi"]//li[1]/p[2]/text()'))
            # 标题
            noval_dict['title'] = self.extract_first(etree_html.xpath('//h2/text()'))
            # 简介
            noval_dict['content'] = self.extract_first(
                etree_html.xpath('//p[@class="intro ih1"]/text()|//p[@class="intro ih2"]/text()'))
            # 作者
            noval_dict['author'] = self.extract_first(etree_html.xpath('//div[@id="ainfo"]/p/span/a[2]/text()'))

            print(noval_dict)
            self.save_data(noval_dict)

    def save_data(self, noval_dict):
        """保存数据"""
        pass

    def extract_first(self, data, default=''):
        if len(data) > 0:
            return data[0]
        return default

    def send_request(self, url, header=None, data=None, method="GET"):
        """发送请求"""
        header = self.default_headers if not header else header

        if method == 'GET':
            # 发送get请求
            response = requests.get(url=url, params=data, headers=header)
        else:
            # 发送post请求
            response = requests.post(url=url, data=data, headers=header)

        if response.status_code == 200:
            # 请求成功，返回页面源码
            return response.text


if __name__ == '__main__':
    spider = HengYanSpider()
    spider.get_noval_url()

bs4（python独有简单便捷和高效）

环境安装：pip install lxml bs4用到lxml库，如果没有安装过lxml库的时候，需要安装一下

代码使用流程：

核心思想：可以将html文档可以转换成BeautifulSoup对象，调用该对象中的属性和方法进行

• 1.导包
  • from bs4 import BeautifulSoup
• 2.创建BeautifulSoup对象
  • a.本地
    • Beautiful(‘open(‘本地的html文件’)’,‘lxml’)
  • b.网络
    • Beautiful(‘网络请求到的页面数据’,‘lxml’)

属性和方法：

• 1.根据标签名查找
  soup.a 只能找到第一个符合要求的标签
• 2.获取属性
  soup.a.attrs 获取a所有的属性和属性值，返回一个字典
  soup.a.attrs[‘href’] 获取href属性
  soup.a[‘href’] 也可简写为这种形式
• 3.获取内容
  soup.a.string /text()
  soup.a.text //text()
  soup.a.get_text() //text()
  如果标签还是标签，那么string获取到的结果为none,而其他两个，可以获取文本内容
• 4.find:找到第一个符合要求的标签
  soup.find(‘a’) 找到第一个符合要求的
  soup.find(‘a’,title=‘xxx’)
  soup.find(‘a’,alt=‘xxx’)
  soup.find(‘a’,class=‘xxx’)
  soup.find(‘a’,id=‘xxx’)
• 5.find_All:找到所有符合要求的标签
  soup.find_All(‘a’)
  soup.find_All([‘a’,‘b’]) 找到所有的a和b标签
  soup.find_All(‘a’,limit=2) 限制前两个
• 6.根据选择器选择指定的内容
  select:soup.select(’#feng’)
  常见的选择器：标签选择器（a）、类选择器（.）、id选择器（#）、层级选择器
  层级选择器：
  div .dudu #lala .name .xixi 下面好多级 div//img
  div > p > a > .lala 只能是下面一级 div/img
  select选择器返回永远是列表，需要通过下标提取指定对象

class HengYanSpider(object):

    def __init__(self):
        self.first_url = 'http://all.hengyan/1/0_0_0_0_0_0_0_0_0_1.aspx'
        self.default_headers = {
            'User-Agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_13_6) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/75.0.3770.100 Safari/537.36'
        }

    def get_noval_url(self, url=None):
        url = self.first_url if not url else url
        """获取小说详情的url地址"""
        html = self.send_request(url)
        if html:
            bs_soup = BeautifulSoup(html, 'lxml')
            lis = bs_soup.find_all(name='li', attrs={'class': 'bookname'})
            for li in lis:
                # a_list = li.find_all(name='a')
                # if len(a_list) > 0:
                #     url = a_list[0].attrs['href']
                a_list = li.select('a')
                if len(a_list) > 0:
                    url = a_list[0].attrs['href']
                    self.get_noval_detail(url)

    def get_noval_detail(self, noval_url):
        """获取书籍详情的页面内容,解析数据"""
        html = self.send_request(noval_url)
        if html:
            # 解析数据(获取xpath解析器)
            bs_soup = BeautifulSoup(html, 'lxml')
            # print('得到了详情页面')
            noval_dict = {}
            # 书号
            book_id = bs_soup.select('div.dh p label')[0].get_text()
            noval_dict['book_id'] = re.search('\d+', book_id).group()
            # 热度
            noval_dict['hot'] = bs_soup.select('p.wendu b')[0].get_text()
            # 火车票
            noval_dict['hot_track'] = bs_soup.select('div.piao p')[1].select('.huocolor')[0].get_text()
            # 冰票
            noval_dict['bing_track'] = bs_soup.select('div.piao p')[1].select('.bingcolor')[0].get_text()
            

            print(noval_dict)
            # self.save_data(noval_dict)

    def save_data(self, noval_dict):
        """保存数据"""
        pass

    def extract_first(self, data, default=''):
        if len(data) > 0:
            return data[0]
        return default

    def send_request(self, url, header=None, data=None, method="GET"):
        """发送请求"""
        header = self.default_headers if not header else header

        if method == 'GET':
            # 发送get请求
            response = requests.get(url=url, params=data, headers=header)
        else:
            # 发送post请求
            response = requests.post(url=url, data=data, headers=header)

        if response.status_code == 200:
            # 请求成功，返回页面源码
            return response.text


if __name__ == '__main__':
    spider = HengYanSpider()
    spider.get_noval_url()