溫馨提示×

溫馨提示×

您好，登錄后才能下訂單哦！

密碼登錄×
登錄注冊×
其他方式登錄
點擊 登錄注冊 即表示同意《億速云用戶服務(wù)條款》

Python爬蟲之怎么解析HTML頁面

發(fā)布時間：2023-05-05 09:26:14 來源：億速云 閱讀：92 作者：iii 欄目：開發(fā)技術(shù)

本文小編為大家詳細介紹“Python爬蟲之怎么解析HTML頁面”，內(nèi)容詳細，步驟清晰，細節(jié)處理妥當，希望這篇“Python爬蟲之怎么解析HTML頁面”文章能幫助大家解決疑惑，下面跟著小編的思路慢慢深入，一起來學(xué)習新知識吧。

用Python解析HTML頁面

在網(wǎng)絡(luò)爬取的過程中，我們通常需要對所爬取的頁面進行解析，從中提取我們需要的數(shù)據(jù)。網(wǎng)頁的結(jié)構(gòu)通常是由 HTML 標簽所組成的，通過對這些標簽的解析，可以得到網(wǎng)頁中所包含的有用信息。在 Python 中，有三種常見的 HTML 解析方式：正則表達式解析、XPath 解析和 CSS 選擇器解析。

HTML 頁面的結(jié)構(gòu)

在講解 HTML 解析方式之前，我們需要先了解一下 HTML 頁面的基本結(jié)構(gòu)。當我們在瀏覽器中打開一個網(wǎng)站，并通過鼠標右鍵菜單選擇“顯示網(wǎng)頁源代碼”菜單項時，就可以看到網(wǎng)頁對應(yīng)的 HTML 代碼。HTML 代碼通常由標簽、屬性和文本組成。標簽用于承載頁面要顯示的內(nèi)容，屬性用于補充標簽的信息，而文本則是標簽所顯示的內(nèi)容。下面是一個簡單的 HTML 頁面代碼結(jié)構(gòu)示例：

<!DOCTYPE html>
<html>
    <head>
        <!-- head 標簽中的內(nèi)容不會在瀏覽器窗口中顯示 -->
        <title>這是頁面標題</title>
    </head>
    <body>
        <!-- body 標簽中的內(nèi)容會在瀏覽器窗口中顯示 -->
        <h2>這是一級標題</h2>
        <p>這是一段文本</p>
    </body>
</html>

在這個 HTML 頁面代碼示例中，<!DOCTYPE html>是文檔類型聲明，<html>標簽是整個頁面的根標簽，<head>和<body>是<html>標簽的子標簽，放在<body>標簽下的內(nèi)容會顯示在瀏覽器窗口中，這部分內(nèi)容是網(wǎng)頁的主體；放在<head>標簽下的內(nèi)容不會在瀏覽器窗口中顯示，但是卻包含了頁面重要的元信息，通常稱之為網(wǎng)頁的頭部。HTML 頁面大致的代碼結(jié)構(gòu)如下所示：

<!DOCTYPE html>
<html>
    <head>
        <!-- 頁面的元信息，如字符編碼、標題、關(guān)鍵字、媒體查詢等 -->
    </head>
    <body>
        <!-- 頁面的主體，顯示在瀏覽器窗口中的內(nèi)容 -->
    </body>
</html>

在 HTML 頁面中，標簽、層疊樣式表（CSS）和 JavaScript 是構(gòu)成頁面的三要素。標簽用來承載頁面要顯示的內(nèi)容，CSS 負責對頁面的渲染，而 JavaScript 用來控制頁面的交互式行為。要實現(xiàn) HTML 頁面的解析，可以使用 XPath 的語法，它原本是 XML 的一種查詢語法，可以根據(jù) HTML 標簽的層次結(jié)構(gòu)提取標簽中的內(nèi)容或標簽屬性；此外，也可以使用 CSS 選擇器來定位頁面元素，就跟用 CSS 渲染頁面元素是同樣的道理。

XPath 解析

XPath 是在 XML（eXtensible Markup Language）文檔中查找信息的一種語法，XML 跟 HTML 類似也是一種用標簽承載數(shù)據(jù)的標簽語言，不同之處在于 XML 的標簽是可擴展的，可以自定義的，而且 XML 對語法有更嚴格的要求。XPath 使用路徑表達式來選取 XML 文檔中的節(jié)點或者節(jié)點集，這里所說的節(jié)點包括元素、屬性、文本、命名空間、處理指令、注釋、根節(jié)點等。

XPath 的路徑表達式是一種類似于文件路徑的語法，可以通過“/”和“//”來選取節(jié)點。單斜杠“/”表示選取根節(jié)點，雙斜杠“//”表示選取任意位置的節(jié)點。例如，“/bookstore/book”表示選取根節(jié)點 bookstore 下的所有 book 子節(jié)點，“//title”表示選取任意位置的 title 節(jié)點。

XPath 還可以使用謂語（Predicate）來過濾節(jié)點。謂語是被嵌在方括號中的表達式，它可以是一個數(shù)字、一個比較運算符或一個函數(shù)調(diào)用。例如，“/bookstore/book[1]”表示選取 bookstore 的第一個子節(jié)點 book，“//book[@lang]”表示選取所有具有 lang 屬性的 book 節(jié)點。

XPath 的函數(shù)包括字符串、數(shù)學(xué)、邏輯、節(jié)點、序列等函數(shù)，這些函數(shù)可以用于選取節(jié)點、計算值、轉(zhuǎn)換數(shù)據(jù)類型等操作。例如，“string-length(string)”函數(shù)可以返回字符串的長度，“count(node-set)”函數(shù)可以返回節(jié)點集中節(jié)點的個數(shù)。

下面我們通過一個例子來說明如何使用 XPath 對頁面進行解析。假設(shè)我們有如下的 XML 文件：

<?xml version="1.0" encoding="UTF-8"?>
<bookstore>
    <book>
      <title lang="eng">Harry Potter</title>
      <price>29.99</price>
    </book>
    <book>
      <title lang="zh">Learning XML</title>
      <price>39.95</price>
    </book>
</bookstore>

對于這個 XML 文件，我們可以用如下所示的 XPath 語法獲取文檔中的節(jié)點。

路徑表達式結(jié)果
/bookstore選取根元素 bookstore。注意：假如路徑起始于正斜杠( / )，則此路徑始終代表到某元素的絕對路徑！
//book選取所有 book 子元素，而不管它們在文檔中的位置。
//@lang選取名為 lang 的所有屬性。
/bookstore/book[1]選取 bookstore 的第一個子節(jié)點 book。

CSS 選擇器解析

CSS 選擇器是一種基于 HTML 標簽的屬性和關(guān)系來定位元素的方法。它可以根據(jù) HTML 標簽的層次結(jié)構(gòu)、類名、id 等屬性來定位元素。在 Python 中，我們可以使用 BeautifulSoup 庫來進行 CSS 選擇器解析。

下面我們通過一個例子來說明如何使用 CSS 選擇器對頁面進行解析。假設(shè)我們有如下的 HTML 代碼：

<!DOCTYPE html>
<html>
<head>
	<meta charset="utf-8">
	<title>這是頁面標題</title>
</head>
<body>
	<div class="content">
		<h2>這是一級標題</h2>
		<p>這是一段文本</p>
	</div>
	<div class="footer">
		<p>版權(quán)所有 ? 2021</p>
	</div>
</body>
</html>

我們可以使用如下所示的 CSS 選擇器語法來選取頁面元素。

選擇器結(jié)果
div.content選取 class 為 content 的 div 元素。
h2選取所有的 h2 元素。
div.footer p選取 class 為 footer 的 div 元素下的所有 p 元素。
[href]選取所有具有 href 屬性的元素。

正則表達式解析

正則表達式是一種用來匹配、查找和替換文本的工具，它可以用于對 HTML 頁面進行解析。在 Python 中，我們可以使用 re 模塊來進行正則表達式解析。

下面我們通過一個例子來說明如何使用正則表達式對頁面進行解析。假設(shè)我們有如下的 HTML 代碼：

<!DOCTYPE html>
<html>
<head>
	<meta charset="utf-8">
	<title>這是頁面標題</title>
</head>
<body>
	<div class="content">
		<h2>這是一級標題</h2>
		<p>這是一段文本</p>
	</div>
	<div class="footer">
		<p>版權(quán)所有 ? 2021</p>
	</div>
</body>
</html>

我們可以使用如下所示的正則表達式來選取頁面元素。

import re
html = '''
<!DOCTYPE html>
<html>
<head>
	<meta charset="utf-8">
	<title>這是頁面標題</title>
</head>
<body>
	<div class="content">
		<h2>這是一級標題</h2>
		<p>這是一段文本</p>
	</div>
	<div class="footer">
		<p>版權(quán)所有 ? 2021</p>
	</div>
</body>
</html>
'''
pattern = re.compile(r'<div class="content">.*?<h2>(.*?)</h2>.*?<p>(.*?)</p>.*?</div>', re.S)
match = re.search(pattern, html)
if match:
    title = match.group(1)
    text = match.group(2)
    print(title)
    print(text)

以上代碼中，我們使用 re 模塊的 compile 方法來編譯正則表達式，然后使用 search 方法來匹配 HTML 代碼。在正則表達式中，“.*?”表示非貪婪匹配，也就是匹配到第一個符合條件的標簽就停止匹配，而“re.S”表示讓“.”可以匹配包括換行符在內(nèi)的任意字符。最后，我們使用 group 方法來獲取匹配的結(jié)果。

讀到這里，這篇“Python爬蟲之怎么解析HTML頁面”文章已經(jīng)介紹完畢，想要掌握這篇文章的知識點還需要大家自己動手實踐使用過才能領(lǐng)會，如果想了解更多相關(guān)內(nèi)容的文章，歡迎關(guān)注億速云行業(yè)資訊頻道。

向AI問一下細節(jié)

免責聲明：本站發(fā)布的內(nèi)容（圖片、視頻和文字）以原創(chuàng)、轉(zhuǎn)載和分享為主，文章觀點不代表本網(wǎng)站立場，如果涉及侵權(quán)請聯(lián)系站長郵箱：is@yisu.com進行舉報，并提供相關(guān)證據(jù)，一經(jīng)查實，將立刻刪除涉嫌侵權(quán)內(nèi)容。

AI
助
手