數(shù)據(jù)采集技術(shù)課件第3章 解析采集到的網(wǎng)頁(yè)

能力要求能通過(guò)學(xué)習(xí)本章知識(shí)，掌握使用正則表達(dá)式解析網(wǎng)頁(yè)的方法。能通過(guò)學(xué)習(xí)本章知識(shí)，掌握使用正則表達(dá)式解析網(wǎng)頁(yè)的方法。能通過(guò)學(xué)習(xí)本章知識(shí)，掌握l(shuí)xml工具解析網(wǎng)頁(yè)的方法解析采集到的網(wǎng)頁(yè)解析采集到的網(wǎng)頁(yè)HTML網(wǎng)頁(yè)數(shù)據(jù)的解析、提取是Python網(wǎng)絡(luò)數(shù)據(jù)采集開發(fā)中的非常關(guān)鍵的步驟。HTML網(wǎng)頁(yè)的解析、提取有很多方法，本章將從3個(gè)方面進(jìn)行講解。前面已經(jīng)了解了網(wǎng)頁(yè)的結(jié)構(gòu)并且采集得到了網(wǎng)頁(yè)的數(shù)據(jù)和信息，下面將要介紹3種解析網(wǎng)頁(yè)數(shù)據(jù)的方法。首先是正則表達(dá)式，然后是流行的BeautifulSoup模塊，最后是強(qiáng)大的lxml模塊。1使用正則表達(dá)式解析2使用BeautifulSoup解析3使用lxml解析目錄4解析方法的優(yōu)缺點(diǎn)對(duì)比3.1使用正則表達(dá)式解析簡(jiǎn)單地說(shuō)，正則表達(dá)式是一種可以用于模式匹配和替換的強(qiáng)大工具。在幾乎所有的基于UNIX/Linux系統(tǒng)的軟件工具中都可以找到正則表達(dá)式的痕跡，如Perl或PHP腳本語(yǔ)言。此外，JavaScript這種腳本語(yǔ)言也提供了對(duì)正則表達(dá)式的支持?，F(xiàn)在正則表達(dá)式已經(jīng)成為了一個(gè)通用的工具，被各類技術(shù)人員所廣泛使用。正則表達(dá)式是一個(gè)很強(qiáng)大的字符串處理工具，幾乎任何關(guān)于字符串的操作都可以使用正則表達(dá)式來(lái)完成。作為一個(gè)數(shù)據(jù)采集工作者，每天和字符串打交道，正則表達(dá)式更是不可或缺的技能，正則表達(dá)式在不同開發(fā)語(yǔ)言中的使用方式可能不一樣，不過(guò)只要學(xué)會(huì)了任意一門語(yǔ)言的正則表達(dá)式用法，其他語(yǔ)言中大部分也只是換了個(gè)函數(shù)的名稱而已，本質(zhì)都是一樣的。模式描述模式描述.匹配任意字符（不包括換行符）\A匹配字符串開始位置，忽略多行模式^匹配開始位置，多行模式下匹配每一行的開始\Z匹配字符串結(jié)束位置，忽略多行模式$匹配結(jié)束位置，多行模式下匹配每一行的結(jié)束\b匹配位于單詞開始或結(jié)束位置的空字符串*匹配前一個(gè)元字符0到多次\B匹配不位于單詞開始或結(jié)束位置的空字符串+匹配前一個(gè)元字符1到多次\d匹配一個(gè)數(shù)字，相當(dāng)于[0-9]?匹配前一個(gè)元字符0到1次\D匹配非數(shù)字，相當(dāng)于[^0-9]{m,n}匹配前一個(gè)元字符m到n次\s匹配任意空白字符，相當(dāng)于[\t\n\r\f\v]Python與正則表達(dá)式正則表達(dá)式是一個(gè)特殊的字符序列，它能幫助你方便地檢查一個(gè)字符串是否與某種模式匹配。Python自1.5版本就增加了re模塊，提供Perl風(fēng)格的正則表達(dá)式模式。re模塊使Python語(yǔ)言擁有全部的正則表達(dá)式功能。compile函數(shù)根據(jù)一個(gè)模式字符串和可選的標(biāo)志參數(shù)生成一個(gè)正則表達(dá)式對(duì)象。該對(duì)象擁有一系列方法用于正則表達(dá)式匹配和替換。Re模塊也提供了與這些方法功能完全一致的函數(shù)。這些函數(shù)使用一個(gè)模式字符串作為它們的第一個(gè)參數(shù)。下面主要介紹Python中常用的正則表達(dá)式處理函數(shù)。1．re.match函數(shù)2．re.search函數(shù)re.search函數(shù)用于掃描整個(gè)字符串并返回第一個(gè)成功的匹配。3．re.match與re.search的區(qū)別re.match只匹配字符串的開始位置，如果字符串開始不符合正則表達(dá)式，則匹配失敗，函數(shù)返回None；而re.search匹配整個(gè)字符串，直到找到一個(gè)匹配。1使用正則表達(dá)式解析2使用BeautifulSoup解析3使用lxml解析目錄4解析方法的優(yōu)缺點(diǎn)對(duì)比3.2使用BeautifulSoup解析什么是網(wǎng)頁(yè)解析器？簡(jiǎn)單地說(shuō)，網(wǎng)頁(yè)解析器就是用來(lái)解析HTML網(wǎng)頁(yè)的工具，準(zhǔn)確地說(shuō)：它是一個(gè)HTML網(wǎng)頁(yè)信息提取工具，就是從HTML網(wǎng)頁(yè)中解析提取出“需要的有價(jià)值的數(shù)據(jù)”或者“新的URL鏈接”的工具。Python有以下幾種網(wǎng)頁(yè)解析器：正則表達(dá)式、html.parser、BeautifulSoup、lxml。常見的Python網(wǎng)頁(yè)解析工具有：re正則匹配、Python自帶的html.parser模塊、第三方庫(kù)BeautifulSoup（重點(diǎn)學(xué)習(xí)）以及l(fā)xm庫(kù)。BeautifulSoup第三方庫(kù)BeautifulSoup是一個(gè)可以從HTML或XML文件中提取數(shù)據(jù)的Python庫(kù)。它能夠通過(guò)你喜歡的轉(zhuǎn)換器實(shí)現(xiàn)慣用文檔導(dǎo)航、查找、修改文檔等操作。在基于Python的數(shù)據(jù)采集開發(fā)中，主要用到的是BeautifulSoup的查找提取功能，修改文檔方式很少用到?？梢哉f(shuō)，BeautifulSoup是一個(gè)非常流行的Python模塊。簡(jiǎn)單來(lái)說(shuō)，BeautifulSoup是Python的一個(gè)庫(kù)，最主要的功能是從網(wǎng)頁(yè)抓取數(shù)據(jù)。BeautifulSoup提供一些簡(jiǎn)單的、Python式的函數(shù)用來(lái)處理導(dǎo)航、搜索、修改分析樹等功能。它是一個(gè)工具箱，通過(guò)解析文檔為用戶提供需要抓取的數(shù)據(jù)，因?yàn)楹?jiǎn)單，所以不需要多少代碼就可以寫出一個(gè)完整的應(yīng)用程序。BeautifulSoup自動(dòng)將輸入文檔轉(zhuǎn)換為Unicode編碼，輸出文檔轉(zhuǎn)換為utf-8編碼。不需要考慮編碼方式，除非文檔沒有指定一個(gè)編碼方式。這時(shí)，BeautifulSoup就不能自動(dòng)識(shí)別編碼方式了。然后，僅僅需要說(shuō)明一下原始編碼方式就可以了。BeautifulSoup已成為和lxml、html6lib一樣出色的Python解析器，為用戶靈活地提供不同的解析策略或強(qiáng)勁的速度。安裝beautifulsoup4接下來(lái)介紹BeautifulSoup在Python網(wǎng)絡(luò)數(shù)據(jù)采集開發(fā)中的使用。該模塊可以解析網(wǎng)頁(yè)，并提供定位內(nèi)容的便捷接口。如果還沒有安裝該模塊，可以使用下面的命令安裝其最新版本。pipinstallbeautifulsoup4BeautifulSoup發(fā)布時(shí)打包成Python2版本的代碼，在Python3環(huán)境下安裝時(shí)，會(huì)自動(dòng)轉(zhuǎn)換成Python3的代碼，如果沒有一個(gè)安裝的過(guò)程，那么代碼就不會(huì)被轉(zhuǎn)換。如果代碼拋出了ImportError的異?！癗omodulenamedHTMLParser”，則表明你在Python3版本中執(zhí)行Python2版本的代碼。如果代碼拋出了ImportError的異?！癗omodulenamedhtml.parser”，則表明你在Python2版本中執(zhí)行Python3版本的代碼。如果遇到上述兩種情況，最好的解決方法是重新安裝beautifulsoup4。如果在ROOT_TAG_NAME=u'[document]'代碼處遇到SyntaxError"Invalidsyntax"錯(cuò)誤，需要將把bs4的Python代碼版本從Python2轉(zhuǎn)換到Python3，然后重新安裝bs4。python3setup.pyinstallBeautifulSoup語(yǔ)法3．BeautifulSoup語(yǔ)法使用BeautifulSoup的一般流程有3個(gè)步驟。（1）創(chuàng)建BeautifulSoup對(duì)象。（2）使用BeautifulSoup對(duì)象的操作方法find_all與find進(jìn)行解讀搜索，示例如下。>>>>soup.find_all('a')>>>>soup.find('a')1使用正則表達(dá)式解析2使用BeautifulSoup解析3使用lxml解析目錄4解析方法的優(yōu)缺點(diǎn)對(duì)比3.3使用lxml解析前面介紹了BeautifulSoup的用法，這個(gè)已經(jīng)是非常強(qiáng)大的庫(kù)了，不過(guò)還有一些比較流行的解析庫(kù)，例如lxml，使用的是Xpath語(yǔ)法，同樣是效率比較高的解析方法。如果大家對(duì)BeautifulSoup使用不太習(xí)慣的話，可以嘗試下lxml。安裝lxmlPython標(biāo)準(zhǔn)庫(kù)中自帶了xml模塊，但是性能不夠好，而且缺乏一些人性化的API。相比之下，第三方庫(kù)lxml是用Cython實(shí)現(xiàn)的，而且增加了很多實(shí)用的功能，可謂網(wǎng)絡(luò)數(shù)據(jù)采集處理網(wǎng)頁(yè)數(shù)據(jù)的一件利器。lxml大部分功能都存在于lxml.etree中。pipinstalllxml也可以使用easy_install工具下載lxml模塊。Python3.x之后就集成了pip、easy_install等工具可以用來(lái)直接下載Python所需的模塊。但如果使用的是Python3.4.3，當(dāng)使用pip下載lxml，則會(huì)出現(xiàn)各種依賴問(wèn)題。1使用正則表達(dá)式解析2使用BeautifulSoup解析3使用lxml解析目錄4解析方法的優(yōu)缺點(diǎn)對(duì)比3.4解析方法的優(yōu)缺點(diǎn)對(duì)比推薦使用lxml作為解析器，因?yàn)樾矢?，不過(guò)在Python2.7.3之前的版本和Python3中3.2.2之前的版本，必須安裝lxml或html5lib，因?yàn)槟切㏄ython版本的標(biāo)準(zhǔn)庫(kù)中內(nèi)置的HTML解析方法不夠穩(wěn)定。解析器使用方法優(yōu)勢(shì)劣勢(shì)Python標(biāo)準(zhǔn)庫(kù)BeautifulSoup(markup,"html.parser")Python的內(nèi)置標(biāo)準(zhǔn)庫(kù)；執(zhí)行速度適中；文檔容錯(cuò)能力強(qiáng)Python2.7.3or3.2.2)前的版本中文檔容錯(cuò)能力差lxmlHTML解析器BeautifulSoup(markup,"lxml")速度快；文檔容錯(cuò)能力強(qiáng)需要安裝C語(yǔ)言庫(kù)lxmlXML解析器BeautifulSoup(markup,["lxml","xml"])BeautifulSoup(markup,"xml")速度快；唯一支持XML的解析器需要安裝C語(yǔ)言庫(kù)html5libBeautifulSoup(markup,"