Python入门到入魔第二课

认识数据筛选

常见的数据筛选


import re
import requests
import os
# 爬取图片
if __name__ == "__main__":
    # 创建一个文件夹，用来保存所有的图片
    if not os.path.exists('./imgLibs'):
        os.mkdir('./imgLibs')
    url = 'https://www.douban.com/'
    headers = {
        'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/'
                      '537.36 (KHTML, like Gecko) Chrome/104.0.0.0 Safari/537.36'
    }
    # 使用通用爬虫对url对应的一整张页面进行爬取
    page_text = requests.get(url=url, headers=headers).text
    # 使用聚焦爬虫将页面中所有的图片进行解析、提取
    ex = '<div class="pic">.*?<img src=.*? data-origin="(.*?)" alt=.*?</div>'
    img_src_list = re.findall(ex, page_text, re.S)
    # print(img_src_list)
    for src in img_src_list:
        # 将图片信息以二进制存储
        img_data = requests.get(url=src, headers=headers).content
        # 生成图片名称
        img_name = src.split('/')[-1]
        imgPath = './imgLibs/' + img_name
        with open(imgPath, 'wb') as fp:
            fp.write(img_data)
            print(img_name, '下载成功')




Bs4基础

import requests
from bs4 import BeautifulSoup

if __name__ == "__main__":
    # 将本地的html文件中的数据加载到该对象中
    fp = open('test.html', 'r', encoding='utf-8')
    soup = BeautifulSoup(fp, 'lxml')
    # print(soup)
    # print(soup.a) # soup.tagName 返回的是html中第一次出现的tagName标签
    # print(soup.find('div')) # 相当于soup.div
    # print(soup.find('div', class_='song'))
    # print(soup.find_all('a'))
    # print(soup.select('.tang'))
    # print(soup.select('.tang > ul > li > a')[0])
    # print(soup.select('.tang > ul a')[0])
    # print(soup.select('.tang > ul a')[0].text)
    tag = soup.find('div', class_='song')
    print(tag.text)

xpath基础

from lxml import etree

if __name__ == "__main__":
    # 实例化一个etree对象
    tree = etree.parse('./test.html')
    #  r = tree.xpath('/html//title')
    # r = tree.xpath('//div[@class="song"]')
    # r = tree.xpath('//div[@class="song"]/p[3]')
    # r = tree.xpath('//div[@class="tang"]/ul/li[4]/a/text()')
    # r = tree.xpath('//div[@class="tang"]//text()')
    # r = tree.xpath('//div[@class="song"]/img/@src')
    r = tree.xpath('//div[@class="song"]/p/text()')
    print(r)