溫馨提示×
您好，登錄后才能下訂單哦！
點擊 登錄注冊 即表示同意《億速云用戶服務條款》
您好，登錄后才能下訂單哦！
本文小編為大家詳細介紹“Python爬蟲之怎么解析HTML頁面”，內容詳細，步驟清晰，細節處理妥當，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，一起來學習新知識吧。
在網絡爬取的過程中，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據。網頁的結構通常是由 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。
在講解 HTML 解析方式之前，我們需要先了解一下 HTML 頁面的基本結構。當我們在瀏覽器中打開一個網站，并通過鼠標右鍵菜單選擇“顯示網頁源代碼”菜單項時，就可以看到網頁對應的 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容，屬性用于補充標簽的信息，而文本則是標簽所顯示的內容。下面是一個簡單的 HTML 頁面代碼結構示例：
<!DOCTYPE html> <html> <head> <!-- head 標簽中的內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>標簽下的內容會顯示在瀏覽器窗口中，這部分內容是網頁的主體；放在<head>標簽下的內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，通常稱之為網頁的頭部。HTML 頁面大致的代碼結構如下所示：
<!DOCTYPE html> <html> <head> <!-- 頁面的元信息，如字符編碼、標題、關鍵字、媒體查詢等 --> </head> <body> <!-- 頁面的主體，顯示在瀏覽器窗口中的內容 --> </body> </html>
在 HTML 頁面中，標簽、層疊樣式表（CSS）和 JavaScript 是構成頁面的三要素。標簽用來承載頁面要顯示的內容，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 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 HTML 標簽的層次結構提取標簽中的內容或標簽屬性；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 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據的標簽語言，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 文檔中的節點或者節點集，這里所說的節點包括元素、屬性、文本、命名空間、處理指令、注釋、根節點等。
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“//”來選取節點。單斜杠“/”表示選取根節點，雙斜杠“//”表示選取任意位置的節點。例如，“/bookstore/book”表示選取根節點 bookstore 下的所有 book 子節點，“//title”表示選取任意位置的 title 節點。
XPath 還可以使用謂語（Predicate）來過濾節點。謂語是被嵌在方括號中的表達式，它可以是一個數字、一個比較運算符或一個函數調用。例如，“/bookstore/book[1]”表示選取 bookstore 的第一個子節點 book，“//book[@lang]”表示選取所有具有 lang 屬性的 book 節點。
XPath 的函數包括字符串、數學、邏輯、節點、序列等函數，這些函數可以用于選取節點、計算值、轉換數據類型等操作。例如，“string-length(string)”函數可以返回字符串的長度，“count(node-set)”函數可以返回節點集中節點的個數。
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點。
| 路徑表達式 | 結果 |
|---|---|
| /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 的第一個子節點 book。 |
CSS 選擇器是一種基于 HTML 標簽的屬性和關系來定位元素的方法。它可以根據 HTML 標簽的層次結構、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的任意字符。最后，我們使用 group 方法來獲取匹配的結果。
讀到這里，這篇“Python爬蟲之怎么解析HTML頁面”文章已經介紹完畢，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會，如果想了解更多相關內容的文章，歡迎關注億速云行業資訊頻道。
免責聲明：本站發布的內容（圖片、視頻和文字）以原創、轉載和分享為主，文章觀點不代表本網站立場，如果涉及侵權請聯系站長郵箱：is@yisu.com進行舉報，并提供相關證據，一經查實，將立刻刪除涉嫌侵權內容。
