python爬蟲之定位網頁元素的三種方式

2018年08月02日 13:30:02 Barry__ 閱讀數：1373 標籤： python 更多

個人分類： python

版權宣告：本文為博主原創文章，轉載請註明出處 https://blog.csdn.net/rankun1/article/details/81357179

在做爬蟲的過程中，網頁元素的定位是比較重要的一環，本文總結了python爬蟲中比較常用的三種定位網頁元素的方式。

1.普通的BeautifulSoup find系列操作

2.BeautifulSoup css選擇器

3. xpath

這三種方式靈活運用，再配合上正則表示式，沒有什麼網頁能難倒你啦。

我們以獲取豆瓣電影top250第一頁的電影標題為例來比較：

import requests
from bs4 import BeautifulSoup
from lxml import etree
 
# 通過find定位標籤
# BeautifulSoup文件：https://www.crummy.com/software/BeautifulSoup/bs4/doc/index.zh.html
def bs_parse_movies(html):
    movie_list = []
    soup = BeautifulSoup(html, "lxml")
    # 查詢所有class屬性為hd的div標籤
    div_list = soup.find_all('div', class_='hd')
    # 獲取每個div中的a中的span（第一個），並獲取其文字
    for each in div_list:
        movie = each.a.span.text.strip()
        movie_list.append(movie)
 
    return movie_list
 
# css選擇器定位標籤
# 更多ccs選擇器語法：http://www.w3school.com.cn/cssref/css_selectors.asp
# 注意：BeautifulSoup並不是每個語法都支援
def bs_css_parse_movies(html):
    movie_list = []
    soup = BeautifulSoup(html, "lxml")
    # 查詢所有class屬性為hd的div標籤下的a標籤的第一個span標籤
    div_list = soup.select('div.hd > a > span:nth-of-type(1)')
    # 獲取每個span的文字
    for each in div_list:
        movie = each.text.strip()
        movie_list.append(movie)
 
    return movie_list
 
# XPATH定位標籤
# 更多xpath語法：https://blog.csdn.net/gongbing798930123/article/details/78955597
def xpath_parse_movies(html):
    et_html = etree.HTML(html)
    # 查詢所有class屬性為hd的div標籤下的a標籤的第一個span標籤
    urls = et_html.xpath("//div[@class='hd']/a/span[1]")
 
    movie_list = []
    # 獲取每個span的文字
    for each in urls:
        movie = each.text.strip()
        movie_list.append(movie)
 
    return movie_list
 
def get_movies():
    headers = {
        'user-agent': 'Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/52.0.2743.82 Safari/537.36',
        'Host': 'movie.douban.com'
    }
 
    link = 'https://movie.douban.com/top250'
    r = requests.get(link, headers=headers, timeout=10)
    print("響應狀態碼:", r.status_code)
    if 200 != r.status_code:
        return None
 
    # 三種定位元素的方式：
 
    # 普通BeautifulSoup find
    return bs_parse_movies(r.text)
    # BeautifulSoup css select
    return bs_css_parse_movies(r.text)
    # xpath
    return xpath_parse_movies(r.text)
 
movies = get_movies()
print(movies)