bs4搜索文档树

rom bs4 import BeautifulSoup

html_doc = """
<html><head><title>The Dormouse's story</title></head>
<body>
<p id="my p" class="title">asdfasdf<b id="bbb" class="boldest">The Dormouse's story</b>
</p>

<p class="story">Once upon a time there were three little sisters; and their names were
<a href="http://example.com/elsie" class="sister" id="link1">Elsie</a>,
<a href="http://example.com/lacie" class="sister" id="link2">Lacie</a> and
<a href="http://example.com/tillie" class="sister" id="link3">Tillie</a>;
and they lived at the bottom of a well.</p>

<p class="story">...</p>
"""

soup = BeautifulSoup(html_doc, 'lxml')

注意：
'''
索文档树 find:找一个    find_all:找所有
5 种搜索方式：字符串、正则表达式、列表、True、方法
'''

1.字符串 ==>可以按照标签名，属性名查找

res = soup.find(name='a', id='link2')
res = soup.find(href='http://example.com/tillie')
res = soup.find(class_='story')
res = soup.find('p')
res = soup.find(string='Elsie')
res = soup.find(attrs={'class':'sister'})
print(res)

2.正则表达式 ==>标签名，属性可以使用正则匹配

import re
res = soup.find_all(name=re.compile('^b'))
res = soup.find_all(href=re.compile('^http'))
for item in res:
    url = item.attrs.get('href')
    print(url)
# request-html  #获取到页面所有的链接地址
res = soup.find(attrs={'href':re.compile('^a')})

print(res)

3.列表 ==》签名，属性名等于列表或者条件

res = soup.find_all(class_=['story', 'sister'])  # 中间,是或的条件
res = soup.find_all(name=['a', 'p']) # 或的条件
print(res)

# True ==>签名名，属性名等于布尔
res = soup.find_all(name=True) # 有标签名的所有标签
print(res)

# 拿出页面中所有图片
res = soup.find_all(src=True)
for item in res:
    url = item.attrs.get('href')
    print(url)

4.方法 ==》标签名或属性名 = 方法

def has_class_but_no_id(tag):
    return tag.has_attr('class') and not tag.has_attr('id')
print(soup.find_all(has_class_but_no_id))

总结：

'''
总结:
1.find 和 find_all
2.字符串、正则表达式、列表、True、方法
3.结合遍历文档树一起使用会提交查询速度
4. find 和 find_all 的属性基本上是一样的。
    但是在 find_all 的其他属性limit、recursive。
    ① res = soup.find_all(name='a', limit=2)
        find的本质是find_all + limit = 1，限制查询出来的条数。
    ② res = soup.find_all(name='p', id=False).find_all(name='a', recursive=False)
        recursive=False  不递归，表示只找一层。
        recursive=True    递归， 表示当前父层次下递归所有子标签。
'''

css选择器

bs4 可以通过遍历、搜索、css选择器选择标签。

from bs4 import BeautifulSoup

html_doc = """
<html><head><title>The Dormouse's story</title></head>
<body>
<p id="my p" class="title">asdfasdf<b id="bbb" class="boldest">The Dormouse's story</b>
</p>

<p class="story">Once upon a time there were three little sisters; and their names were
<a href="http://example.com/elsie" class="sister" id="link1">Elsie</a>,
<a href="http://example.com/lacie" class="sister" id="link2">Lacie</a> and
<a href="http://example.com/tillie" class="sister" id="link3">Tillie</a>;
and they lived at the bottom of a well.</p>

<p class="story">...</p>
"""

soup = BeautifulSoup(html_doc, 'lxml')
res = soup.select('a')
res = soup.select('#link1')
res = soup.select('.sister')
res = soup.select('body>p>a')

--------------------------------------------------
res = soup.select('body>p>a:nth-child(2)')  # 子标签2个a标签内容
res = soup.select('body>p>a:nth-last-child(1')  # 子标签最后一个a标签内容

# [attribute=value]
res = soup('a[href="http://example.com/tillie"]')
print(res)

注意：

'''
通用选择器：
①CSS_SELECTOR:css选择器
②.XPATH
只需要会css选择，几乎所有的解析器[bs4,lxml...]，都会支持css和xpath
'''

'''
1 标签名
2 .类名
3 #id号
4 body a body下的所有子子孙孙中的a
5 body>a body下的子的a，没有孙下的a
6 其他的参照css选择器
'''

selenium基本使用

# requests 发送http请求获取数据，获取数据是xml使用bs4解析，解析出想要的数据。

'''
1.使用requests获取回来的数据，跟直接在浏览器中看到的数据，可能不一样。
    ===>原因是requests不能直接执行js代码
2.如果使用requests，需要分析发出多少个请求，将要模拟那些请求都要发送一次才能拼凑出网页完整的数据。
3.selenium：操作浏览器，控制浏览器，模拟人的行为在浏览器上进行点击，滑动，打开浏览器等行为。
    ①：selenium最初是一个自动化测试工具，而爬虫中使用它主要是为了解决requests无法直接执行JavaScript代码问题。
    ②：selenium本质就是驱动浏览器，完全模拟浏览器的操作，比如：跳转，输入，点击，下拉等，来拿到网页渲染之后的结果，可支持多种浏览器。
'''

'''
安装模块：pip install selenium
下载浏览器驱动：selenium操作浏览器，需要浏览器（谷歌浏览器）
谷歌浏览器驱动：-https://registry.npmmirror.com/binary.html?path=chromedriver/
    需要下载对应谷歌版本的谷歌浏览器驱动
    
rpa:自动化流程机器人，人为做的体力活。
'''
# 代码测试：
from selenium import webdriver

import time

# 驱动放到环境变量中，就不用传参数了。
# 打开一个浏览器
bro = webdriver.Chrome(executable_path='./chromedriver.exe')
# 在地址栏输入-->网址
bro.get('http://www.baidu.com')

time.sleep(3)
bro.close()  # 关闭tab页
bro.quit()   # 关闭浏览器

无界面浏览器

做爬虫，不希望有一个浏览器打开。
谷歌支持无头浏览器，后台运行，没有浏览器的图形化（GUI）界面

import code

from selenium import webdriver
from selenium.webdriver.common.by import By
import time

bro = webdriver.Chrome(executable_path='./chromedriver.exe')

bro.get('http://www.baidu.com')
bro.implicitly_wait(10)  # 等待10秒去找一个标签，如果标签没加载出来等一会。
bro.maximize_window()  # 全屏
# 通过 a标签文字内容找标签的方式

a = bro.find_element(by=By.LINK_TEXT, value='登录')
# 点击表签
a.click()

# 页面中id是唯一标识的，如果有id优先用id
input_name = bro.find_element(by=By.ID, value='TANGRAM__PSP_11__userName')
# 输入用户名
input_name.send_keys('2457939597@qq.com')

time.sleep(1)

input_password = bro.find_element(by=By.ID, value='TANGRAM__PSP_11__password')
input_password.send_keys('xcc12345')
time.sleep(1)

input_submit = bro.find_element(by=By.ID, value='TANGRAM__PSP_11__submit')
# 点击
input_submit.click()
time.sleep(5)

bro.close()

获取位置属性大小，文本

# 查找标签
bro.find_element(by=By.ID, value='id号')
bro.find_element(by=By.LINK_TEXT, value='a标签文本内容')
bro.find_element(by=By.PARTIAL_LINK_TEXT, value='a标签文本内容模糊匹配')
bro.find_element(by=By.CSS_SELECTOR, value='类名')
bro.find_element(by=By.TAG_NAME, value='标签名')
bro.find_element(by=By.NAME, value='属性name')

# 通用的选择器
bro.find_element(by=By.CSS_SELECTOR, value='css选择器')
bro.find_element(by=By.XPATH, value='xpath选择器')

# 获取标签位置大小
print(code.location)
print(code.size)
print(code.tag_name)
print(code.id)

'''
jd截图片方法：
bro.get('https://www.jd.com/')
bro.implicitly_wait(10)
bro.maximize_window()
'''

小案例，自动登录百度

from selenium import webdriver
from selenium.webdriver.common.by import By
import time
import base64

bro = webdriver.Chrome(executable_path='./chromedriver.exe')
bro.get('https://kyfw.12306.cn/otn/resources/login.html')
# # bro.get('https://www.jd.com/')
# bro.implicitly_wait(10)
# # bro.maximize_window()
#
# # 找到扫码登录的标签，搜索标签
# bro.find_element(by=By.ID,value='id号')
# bro.find_element(by=By.LINK_TEXT,value='a标签文本内容')
# bro.find_element(by=By.PARTIAL_LINK_TEXT,value='a标签文本内容模糊匹配')
# bro.find_element(by=By.CLASS_NAME,value='类名')
# bro.find_element(by=By.TAG_NAME,value='标签名')
# bro.find_element(by=By.NAME,value='属性name')
# # -----通用的----
# bro.find_element(by=By.CSS_SELECTOR,value='css选择器')
# bro.find_element(by=By.XPATH,value='xpath选择器')
#
#
a = bro.find_element(by=By.LINK_TEXT, value='扫码登录')
# a = bro.find_element(by=By.CSS_SELECTOR, value='.login-hd-account>a')
a.click()
code = bro.find_element(by=By.ID, value='J-qrImg')
# code = bro.find_element(by=By.CSS_SELECTOR, value='#J-qrImg')
#
#
# # code = bro.find_element(by=By.CSS_SELECTOR, value='.logo_scene_img')
# # print(code)
#
# # 方案一：通过位置，和大小，截图截出来
# print(code.id)
# print(code.location)
# print(code.tag_name)
# print(code.size)
# # 方案二：通过src属性获取到图片
print(code.location)
print(code.size)
print(code.id)  # 不是标签的id号
print(code.tag_name)  # 是标签的名字
s = code.get_attribute('src')
print(s)
with open('code.png', 'wb') as f:
    res = base64.b64decode(s.split(',')[-1])
    f.write(res)

time.sleep(3)

bro.close()

等待元素被加载

代码执行很快，有些标签还没加载出来，直接取，取不到。

'''
1.显示等待：一般不用需要指定等待哪个标签，如果标签很多，每个人都要设置比较麻烦
2.隐士等待：
    bro.implicitly_wait(10)
    find找标签的时候，如果找不到等10s
'''

元素操作

'''
# 点击
标签.click()
# input写文字
标签.send_keys('文字')
# input清空文字
标签.clear()

# 模拟键盘操作
from selenium.webdriver.common.keys import Keys
input_search.send_keys(Keys.ENTER)
'''

执行js代码

import time

from selenium import webdriver
from selenium.webdriver.common.by import By
from selenium.webdriver.common.keys import Keys

bro = webdriver.Chrome(executable_path='./chromedriver.exe')
bro.get('https://www.jd.com/')

# 1 能干很多事情，打印了cookie
# bro.execute_script('alert(document.cookie)')

# 2 滚动页面，到最底部
# 一点点滑动
# for i in range(10):
#     y=400*(i+1)
#     bro.execute_script('scrollTo(0,%s)'%y)
#     time.sleep(1)
# 一次性直接滑动到最底部
bro.execute_script('scrollTo(0,document.body.scrollHeight)')

time.sleep(3)
bro.close()

切换选项卡

import time

from selenium import webdriver
from selenium.webdriver.common.by import By
from selenium.webdriver.common.keys import Keys

bro = webdriver.Chrome(executable_path='./chromedriver.exe')
bro.get('https://www.jd.com/')

## 使用js打开的选项卡
bro.execute_script('window.open()')

## 切换到这个选项卡上面，刚刚打开的是第一个
bro.switch_to.window(bro.window_handles[1])
bro.get('http://www.taobao.com')
time.sleep(2)
bro.switch_to.window(bro.window_handles[0])

time.sleep(3)
bro.close()
bro.quit()

浏览器前进后退

import time

from selenium import webdriver
from selenium.webdriver.common.by import By
from selenium.webdriver.common.keys import Keys

bro = webdriver.Chrome(executable_path='./chromedriver.exe')
bro.get('https://www.jd.com/')

time.sleep(2)
bro.get('https://www.taobao.com/')


time.sleep(2)
bro.get('https://www.baidu.com/')

## 后退一下
bro.back()
time.sleep(1)
## 前进一下
bro.forward()
time.sleep(3)
bro.close()

异常处理

from selenium.common.exceptions import TimeoutException,NoSuchElementException,NoSuchFrameException
try:
    print('xxxx')
except Exception as e:
    print(e)
finally:
    bro.close()

selenium登录cnblogs获取cookie

'''
1.操作浏览器登录，登录成功就可以获取cookie，可以保存到本地
2.如果有很多小号，会有很多的cookie，搭建cookie池
'''

import time

from selenium import webdriver
from selenium.webdriver.common.by import By
from selenium.webdriver.common.keys import Keys
import json

# # 登录过程
# bro = webdriver.Chrome(executable_path='./chromedriver.exe')
# bro.get('https://www.cnblogs.com/')
#
# bro.implicitly_wait(10)
# try:
#     # 找到登录按钮
#     submit_btn = bro.find_element(By.LINK_TEXT, value='登录')
#     submit_btn.click()
#     time.sleep(1)
#     username = bro.find_element(By.ID, value='mat-input-0')
#     password = bro.find_element(By.ID, value='mat-input-1')
#     username.send_keys("bjyxxc")
#     password.send_keys('bwcx152xc')
#
#     submit = bro.find_element(By.CSS_SELECTOR,
#                               value='body > app-root > app-sign-in-layout > div > div > app-sign-in > app-content-container > div > div > div > form > div > button')
#
#     time.sleep(20)
#     submit.click()
#     # 会有验证码，滑动，手动操作完了，敲回车，程序继续往下走
#     input()
#     # 已经登录成功了就会有cookie
#
#     cookie = bro.get_cookies()
#     print(cookie)
#     with open('cnblogs.json', 'w', encoding='utf-8') as f:
#         json.dump(cookie, f)
#
#     time.sleep(5)
# except Exception as e:
#     print(e)
# finally:
#     bro.close()


# ##打开cnblose，自动写入cookie，我就是登录状态
bro = webdriver.Chrome(executable_path='./chromedriver.exe')
bro.get('https://www.cnblogs.com/')
bro.implicitly_wait(10)
time.sleep(3)
## 把本地的cookie写入就登录了
with open('cnblogs.json', 'r', encoding='utf-8') as f:
    cookie = json.load(f)

for item in cookie:
    bro.add_cookie(item)

## 需要刷新一下页面
bro.refresh()
time.sleep(10)
bro.close()

抽屉半自动点赞

'''
1.selenium登录到抽屉，使用requests获取，自动点赞
2.使用requests登录，非常难登录，因为有验证码
'''

from selenium import webdriver
from selenium.webdriver.common.by import By
import time
import json
import requests

bro = webdriver.Chrome(executable_path='./chromedriver.exe')

bro.get('https://dig.chouti.com/')
bro.implicitly_wait(10)
try:
    submit = bro.find_element(by=By.ID, value='login_btn')
    bro.execute_script("arguments[0].click()", submit)
    # submit.click() # 有的页面button能找到，但是点击不了，报错，可以使用js点击它
    time.sleep(2)
    username = bro.find_element(by=By.NAME, value='phone')
    username.send_keys('18953675221')
    password = bro.find_element(by=By.NAME, value='password')
    password.send_keys('lqz123')
    time.sleep(3)
    submit_button = bro.find_element(By.CSS_SELECTOR,
                                     'body > div.login-dialog.dialog.animated2.scaleIn > div > div.login-footer > div:nth-child(4) > button')
    submit_button.click()

    # 验证码
    input()
    cookie = bro.get_cookies()
    print(cookie)
    with open('chouti.json', 'w', encoding='utf-8') as f:
        json.dump(cookie, f)

    # 找出所有文章的id号
    div_list = bro.find_elements(By.CLASS_NAME, 'link-item')
    l = []
    for div in div_list:
        article_id = div.get_attribute('data-id')
        l.append(article_id)



except Exception as e:
    print(e)

finally:
    bro.close()

#  继续往下写，selenium完成它的任务了，登录---》拿到cookie，使用requests发送[点赞]

with open('chouti.json', 'r', encoding='utf-8')as f:
    cookie = json.load(f)
# 小细节，selenium的cookie不能直接给request用，需要有些处理
request_cookies = {}
for item in cookie:
    request_cookies[item['name']] = item['value']
print(request_cookies)
header = {
    'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/106.0.0.0 Safari/537.36'
}
for i in l:
    data = {
        'linkId': i
    }
    res = requests.post('https://dig.chouti.com/link/vote', data=data, headers=header, cookies=request_cookies)
    print(res.text)

原文地址：http://www.cnblogs.com/bjyxxc/p/16926485.html

1. 本站所有资源来源于用户上传和网络，如有侵权请邮件联系站长！ 2. 分享目的仅供大家学习和交流，请务用于商业用途! 3. 如果你也有好源码或者教程，可以到用户中心发布，分享有积分奖励和额外收入！ 4. 本站提供的源码、模板、插件等等其他资源，都不包含技术服务请大家谅解！ 5. 如有链接无法下载、失效或广告，请联系管理员处理！ 6. 本站资源售价只是赞助，收取费用仅维持本站的日常运营所需！ 7. 如遇到加密压缩包，默认解压密码为"gltf",如遇到无法解压的请联系管理员！ 8. 因为资源和程序源码均为可复制品，所以不支持任何理由的退款兑现，请斟酌后支付下载声明：如果标题没有注明"已测试"或者"测试可用"等字样的资源源码均未经过站长测试.特别注意没有标注的源码不保证任何可用性

学习python-Day93