Python网络爬虫实战(二)数据解析

上一篇说完了如何爬取一个网页，以及爬取中可能遇到的几个问题。那么接下来我们就需要对已经爬取下来的网页进行解析，从中提取出我们想要的数据。

根据爬取下来的数据，我们需要写不同的解析方式，最常见的一般都是HTML数据，也就是网页的源码，还有一些可能是Json数据，Json数据是一种轻量级的数据交换格式，相对来说容易解析，它的格式如下。

{
    "name": "中国",
    "province": [{
        "name": "黑龙江",
        "cities": {
            "city": ["哈尔滨", "大庆"]
        }
    }, {
        "name": "广东",
        "cities": {
            "city": ["广州", "深圳", "珠海"]
        }
    }, {
        "name": "台湾",
        "cities": {
            "city": ["台北", "高雄"]
        }
    }, {
        "name": "新疆",
        "cities": {
            "city": ["乌鲁木齐"]
        }
    }]
}

上一篇说到的爬取携程加载不出来的那部分数据就是异步请求Json返回给我们的，对于这类数据，Python有着十分便捷的解析库，所以我们相对不用写多少代码。

但是对于爬取下来是一个HTML数据，其中标签结构可能十分复杂，而且不同HTML的结构可能存在差异，所以解析方式也需要看情况而定。

相对方便的解析方式有正则表达式，xPath和BeautifulSoup4库。

三者的运行速度相比当然是正则表达式最快，xPath其次，Bs4最慢了，因为Bs4是经过封装的库，相对于另外两个，无疑是重装坦克一般，但Bs4确实使用最简单的一个，而正则表达式是最麻烦的一个。

正则表达式几乎所有编程语言都支持，每一种语言的正则表达式都存在一点差异但大同小异。如果你是在设计一个复杂系统，就不要考虑正则表达式了，因为这种方法太过于不稳定，你永远不敢保证你写的正则规则是对应当前系统完全不会报错的。

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。

关于正则表达式和xPath在之后的实战中再做详解，现在主要是掌握Bs4的使用。

我们首先需要下载Bs4的库。

pip install lxml
pip install beautifulsoup4

当我们爬取下来一整个网页的HTML之后，Bs4就可以根据标签的相对定位来找准你要爬取的数据了。

这个相对定位类似于如下：

body > div.banner > div > div.celeInfo-right.clearfix > div.movie-stats-container > div > div > span > span

可以理解把HTML页面当做洋葱一层一层剥开。

这种定位叫做selector，我们可以不用自己编写它，比较HTML结构可能比较复杂，很容易写错。

我们可以打开浏览器的控制台(F12)，然后Elements里面找到我们想要爬取之后解析的内容，这时候你鼠标放上去的位置对应页面内容会变成蓝色让你来对比，如下图。

可以发现，这些dd标签里面就是当前页面所有的电影信息了。哪吒之魔童降世你可以理解为dd-1，巨鳄风暴可以当做dd-2，以此类推。

然后你把鼠标放在dd标签上右键，会有一个copy选项，里面有一个selector，就是将它的selector复制下来。

下面分别是哪吒之魔童降世和巨鳄风暴的selector，可以发现，只有最后的dd:nth-child不同。

#app > div > div.movies-panel > div.movies-list > dl > dd:nth-child(1)

#app > div > div.movies-panel > div.movies-list > dl > dd:nth-child(2)

有了这个规律，我们就可以很容易的一次性解析那种列表型网页了。

# -*- coding: utf-8 -*-
import os
import re
from bs4 import BeautifulSoup
import requests

# 请求头设置
header = {
    'Accept': '*/*;',
    'Connection': 'keep-alive',
    'Accept-Language': 'zh-CN,zh;q=0.9',
    'Accept-Encoding': 'gzip, deflate, br',
    'Host': 'maoyan.com',
    'Referer': 'http://maoyan.com/',
    'User-Agent': 'Mozilla/5.0 (X11; Linux x86_64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/67.0.3396.87 Safari/537.36'
}

data = requests.get('https://maoyan.com/films', headers=header)
soup = BeautifulSoup(data.text, 'lxml')
titles = soup.select('#app > div > div.movies-panel > div.movies-list > dl > dd ')

print(titles)

来仔细讲解一下上面这些代码。

request.get(url,headers)是昨天说过的了，headers就是请求头信息，里面包含了我们客户端的信息以及请求方式是Get还是Post等。

返回的data就是响应了，你可以直接print这个数据，但是这个响应体里面不止包含网页的HTML，还有这次请求的相关数据，比如响应码，200说明成功，404说明没有找到资源等。

data.text就是从响应体中拿到网页HTML代码了。

BeautifulSoup就是我们的主要解析对象，lxml是相应的解析方式。

通过调用BeautifulSoup的select选择器方法，来从之前传入的HTML中获取相应的标签。

这么一看其实Bs4还是很简单的，但这只是Bs4的基础应用了，对于我们普通解析一个网页已经足够用了，如果感兴趣可以去深入去了解一下，不过这个这么说也只是工具库，如果你不嫌麻烦可以自己解析。

看完代码，如果现在我要拿到这个页面的电影名称，这时候上面这个selector就不能用了，因为它不够精确，它只到了‘

#app > div > div.movies-panel > div.movies-list > dl > dd:nth-child(1) > div.channel-detail.movie-item-title > a

import json

jsonData = '{
        "name":"gzj",
        "age":"23",
        "sex":"man",
        "mail":{
            "gmail":"[email protected]",
            "qmail":"[email protected]"
            }
        }'

res = json.loads(jsonData)

print(res['mail']['qmail'])