🔥一个人走得远了，就会忘记自己为了什么而出发，希望你可以不忘初心，不要随波逐流，一直走下去🎶
🦋 欢迎关注🖱点赞👍收藏🌟留言🐾
🦄 本文由 程序喵正在路上 原创，CSDN首发！
💖 系列专栏：Python爬虫
🌠 首发时间：2022年8月9日
✅ 如果觉得博主的文章还不错的话，希望小伙伴们三连支持一下哦
bs4解析
1. HTML语法规则
bs4 解析比较简单，但是呢，我们需要了解一些基础的前端知识，然后再使用 bs4 去提取，逻辑就会清晰很多，编写难度也会大大降低
HTML（Hyper Text Markup Language）超文本标记语言，是我们编写网页的最基本同时也是最核心的一种语言，其语法规则就是用不同的标签对网页上的内容进行标记，从而使网页显示出不同的展示效果
<h1>数据解析</h1>
上述代码的含义是在页面中显示 “数据解析” 4 个字，但是 “数据解析” 这 4 个字被 “<h1>” 和 “</h1>” 标记了，这个时候，浏览器在展示的时候就会让里面的内容，也就是 ”数据解析“ 这 4 个字变大加粗，俗称标题，所以 HTML 的语法就是用类似这样的标签对页面内容进行标记，不同的标签表示出来的效果也是不一样的
h1：一级标题
h2：二级标题
p：段落
font：字体
body：主体
这里只是给小白们简单科普一下，HTML 的标签远不止这些
好的，标签我们明白了，接下来就是属性了
<h1>数据解析</h1>
<h1 align='right'>数据解析</h1>
我们还可以在标签中添加 ” align='right' " 这样的东西，这又是什么呢？
首先，这两个标签都是 h1 标签，都是一级标题，但是下面这个会显示在右边，也就是说，通过这种形式对 h1 标签添加了说明，这种语法在 HTML 中被称为标签的属性，并且属性可以有很多个
总结：HTML 语法：
<标签 属性="值" 属性="值">
被标记的内容
</标签>
有了这些知识，我们再去看 bs4 就会得心应手了，因为 bs4 就是通过标签和属性去定位页面上的内容的
2. bs4模块安装
bs4 是一个第三方库，首先我们得进行安装
在 Python 中推荐使用 pip 进行安装，很简单，在 Pycharm 下方找到 Terminal，输入以下命令：
pip install bs4
如果安装过慢，可以考虑更换为国内源：
pip install -i https://pypi.tuna.tsinghua.edu.cn/simple bs4
3. 搞搞农产品价格
bs4 在使用的时候需要参照一些 HTML 的基本语法来进行使用，通过案例来学会使用 bs4 更加快捷
我们来尝试抓取北京岳各庄批发市场的农产品价格 ➔ 目标网站
代码实现：
import csv
import requests
from bs4 import BeautifulSoup
# 获取页面源代码
url = "http://www.ygzapm.com/web/dailyPrice"
resp = requests.get(url)
# print(resp.text) # 测试用
f = open("农产品信息.csv", mode="w", encoding='utf-8', newline='')
csvWriter = csv.writer(f)
# 解析数据
# 1. 把页面源代码交给 BeautifulSoup 进行处理，生成 bs 对象
page = BeautifulSoup(resp.text, "html.parser") # 指定html解析器
# 2. 从bs对象中查找数据，两个函数
# find(标签, 属性=值) 找一个
# find_all(标签, 属性=值) 找全部
# table = page.find("table", class_="table") # 加下划线区分关键字，与下面的表达式一样
table = page.find("table", attrs={"class": "table"})
# print(table) # 测试用
trs = table.find_all("tr")[1:]
for tr in trs: # 遍历表格的每一行
tds = tr.find_all("td")
type = tds[0].text # 拿到被标签标记的内容
name = tds[1].text
max_price = tds[2].text
min_price = tds[3].text
avg_price = tds[4].text
unit = tds[5].text
market = tds[6].text
date = tds[7].text
# print(type, name, max_price, min_price, avg_price, unit, market, date) # 测试用
csvWriter.writerow([type, name, max_price, min_price, avg_price, unit, market, date])
resp.close()
f.close()
print("over!!!")
效果：
你也可以对代码进行改进，抓取多页数据，但个人建议不要将全部数据都抓取下来
4. 抓取彼岸图网壁纸
你以为我们要抓取的是这些图片吗？
其实不是，我们要抓取的是点击图片进入的页面的高清图片，也就是如下
具体步骤一共有三步：
- 获取主页面源代码，然后提取子页面的链接地址
- 获取子页面源代码，查找图片的下载地址
- 下载图片
废话不多说，开搞
import requests
from bs4 import BeautifulSoup
import time
# 1. 获取主页面源代码，然后提取子页面的链接地址
url = "https://pic.netbian.com/"
resp = requests.get(url)
resp.encoding = 'gbk'
main_page = BeautifulSoup(resp.text, "html.parser")
alist = main_page.find("div", class_="slist").find_all("a")
# print(alist) # 测试用
for a in alist:
href = url + a.get('href') # 通过get得到属性的值，拼接得到完整子页面链接
# print(a) # 测试用
# 2. 获取子页面源代码，查找图片的下载地址
sub_page_resp = requests.get(href)
sub_page_resp.encoding = 'gbk'
sub_page_text = sub_page_resp.text
# 从子页面中获取图片的下载地址
sub_page = BeautifulSoup(sub_page_text, "html.parser")
div = sub_page.find("div", class_="photo-pic")
img = div.find("img")
img_href = url + img.get("src").strip("/") # 拼接图片的下载地址
# print(img_href) # 测试用
# 3. 下载图片
img_resp = requests.get(img_href)
img_name = img_href.split("/")[-1] # 图片名称
img_package = "D:\\pythonProject\\images\\" # 先自己创建一个文件夹以便存放图片，再运行程序
with open(img_package + img_name, mode='wb') as f:
f.write(img_resp.content) # 这里拿到的是字节
img_resp.close()
sub_page_resp.close()
print(img_name + " 已下载成功")
time.sleep(1) # 让服务器休息一下
resp.close()
print("over!!!")
这里是因为我的编译器设置了背景，图片效果不是特别好，还行
xpath解析
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，而我们熟知的 HTML 恰巧属于 XML 的一个子集，所以完全可以用 xpath 去查找 html 中的内容
首先，我们先了解几个概念
<book>
<id>1</id>
<name>天才基本法</name>
<price>8.9</price>
<author>
<nick>林朝夕</nick>
<nick>裴之</nick>
</author>
</book>
在上述 html 中,
- book, id, name, price…都被称为节点.
- Id, name, price, author 被称为 book 的子节点
- book 被称为 id, name, price, author 的父节点
- id, name, price,author 被称为同胞节点
好的，有了这些基础知识后，我们就可以开始了解 xpath 的基本语法了
在 Python 中想要使用 xpath，需要安装 lxml 模块
pip install lxml
用法：
- 将要解析的 html 内容构造出 etree 对象.
- 使用 etree 对象的 xpath() 方法配合 xpath 表达式来完成对数据的提取
from lxml import etree
xml = """
<book>
<id>1</id>
<name>天才基本法</name>
<price>8.9</price>
<author>
<nick id="10086">林朝夕</nick>
<nick id="10010">裴之</nick>
<div>
<nick id="jay1">周杰伦1</nick>
</div>
<span>
<nick id="jay2">周杰伦2</nick>
</span>
</author>
<partner>
<nick id="ppc">佩奇</nick>
<nick id="ppbc">乔治</nick>
</partner>
</book>
"""
tree = etree.XML(xml)
# result = tree.xpath("/book") # / 表示层级关系，第一个 / 是根节点
# result = tree.xpath("/book/name/text()") # text() 获取文本
# result = tree.xpath("/book/author/nick/text()")
# result = tree.xpath("/book/author//nick/text()") # 获取author里面所有nick里面的内容
# result = tree.xpath("/book/author/*/nick/text()") # * 任意的节点，通配符
result = tree.xpath("/book//nick/text()") # 获取所有nick里面的内容
print(result)
准备一个 HTML 文件：
<!DOCTYPE html>
<html lang="en">
<head>
<meta charset="UTF-8" />
<title>Title</title>
</head>
<body>
<ul>
<li><a href="http://www.baidu.com">百度</a></li>
<li><a href="http://www.google.com">⾕歌</a></li>
<li><a href="http://www.sogou.com">搜狗</a></li>
</ul>
<ol>
<li><a href="plane">⻜机</a></li>
<li><a href="cannon">⼤炮</a></li>
<li><a href="train">⽕⻋</a></li>
</ol>
<div class="jay">周杰伦</div>
<div class="food">麻辣烫</div>
</body>
</html>
xpath 最方便的地方在于它可以直接复制，都不用你写
浏览器右击选择检查，点左上角小箭头点击你要提取的内容，它会自动匹配对应的 HTML 代码，右击 HTML 代码，选择复制，选择 xpath
from lxml import etree
tree = etree.parse("data.html")
# result = tree.xpath('/html/body/ul/li[1]/a/text()') #xpath的顺序是从1开始数的
# result = tree.xpath("/html/body/ol/li/a[@href='cannon']/text()") # 属性筛选
# print(result)
# ol_li_list = tree.xpath("/html/body/ol/li")
# for li in ol_li_list:
# print(li.xpath("./a/text()")) # 在li中继续查找，相对查找
# print(li.xpath("./a/@href")) # 获取属性值
#
# print(tree.xpath("/html/body/ul/li/a/@href"))
print(tree.xpath("/html/body/div[1]/text()"))
🧸 这次的分享就到这里啦，继续加油哦^^
🐱 我是程序喵，陪你一点点进步
🍭 有出错的地方欢迎在评论区指出来，共同进步，谢谢啦
文章出处登录后可见！
