App下載

python爬蟲之異常捕獲及標(biāo)簽過濾詳解

猿友 2021-08-05 13:36:37 瀏覽數(shù) (2645)
反饋

我們在進(jìn)行python爬蟲開發(fā)的時候有時候會出現(xiàn)一些小錯誤，然而這個問題我們完全可以使用python的異常拋出機(jī)制來進(jìn)行。另外python爬取到數(shù)據(jù)后需要對數(shù)據(jù)進(jìn)行清洗，簡單的講，就是將一些標(biāo)簽進(jìn)行過濾。今天的文章我們分為上下兩個部分，上半部分我們介紹python異常捕捉，下半部分我們介紹python標(biāo)簽過濾，小伙伴們可以按需進(jìn)行學(xué)習(xí)。

增加異常捕獲，更容易現(xiàn)問題的解決方向

import ssl
import urllib.request
from bs4 import BeautifulSoup
from urllib.error import HTTPError, URLError
 
 
def get_data(url):
    headers = {"user-agent":
                   "Mozilla/5.0 (Macintosh; Intel Mac OS X 10_15_7) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/90.0.4430.93 Safari/537.36"
               }
    ssl._create_default_https_context = ssl._create_unverified_context
 
    """
    urlopen處增加兩個異常捕獲：
            1、如果頁面出現(xiàn)錯誤或者服務(wù)器不存在時，會拋HTTP錯誤代碼
            2、如果url寫錯了或者是鏈接打不開時，會拋URLError錯誤
    """
    try:
        url_obj = urllib.request.Request(url, headers=headers)
        response = urllib.request.urlopen(url_obj)
        html = response.read().decode('utf8')
    except (HTTPError, URLError)as e:
        raise e
 
    """
    BeautifulSoup處增加異常捕獲是因?yàn)锽eautifulSoup對象中有時候標(biāo)簽實(shí)際不存在時，會返回None值；
    因?yàn)椴恢溃哉{(diào)用了就會導(dǎo)致拋出AttributeError: 'NoneType' object has no xxxxxxx。
    """
    try:
        bs = BeautifulSoup(html, "html.parser")
        results = bs.body 
    except AttributeError as e:
        return None
 
    return results
 
 
if __name__ == '__main__':
    print(get_data("https://movie.douban.com/chart"))

解析html，更好的實(shí)現(xiàn)數(shù)據(jù)展示效果

  • get_text()：獲取文本信息
# 此處代碼同上面打開url代碼一致，故此處省略......
 
html = response.read().decode('utf8')
bs = BeautifulSoup(html, "html.parser")
data = bs.find('span', {'class': 'pl'})
print(f'電影評價數(shù)：{data}')
print(f'電影評價數(shù)：{data.get_text()}')

運(yùn)行后的結(jié)果顯示如下：

電影評價數(shù)：<span class="pl">(38054人評價)</span>
電影評價數(shù)：(38054人評價)
  • find() 方法是過濾HTML標(biāo)簽，查找需要的單個標(biāo)簽

find方法

實(shí)際find方法封裝是調(diào)用了正則find_all方法，把find_all中的limt參數(shù)傳1，獲取單個標(biāo)簽

1.name：可直接理解為標(biāo)簽元素

2.attrs：字典格式，放屬性和屬性值 {"class": "indent"}

3.recursive：遞歸參數(shù)，布爾值，為真時遞歸查詢子標(biāo)簽

4.text：標(biāo)簽的文本內(nèi)容匹配 , 是標(biāo)簽的文本，標(biāo)簽的文本

  • find_all() 方法是過濾HTML標(biāo)簽，查找需要的標(biāo)簽組

使用方法適合find一樣的，無非就是多了個limit參數(shù)（篩選數(shù)據(jù))

find_all方法

必須注意的小知識點(diǎn)：

#   下面兩種寫法，實(shí)際是一樣的功能，都是查詢id為text的屬性值
bs.find_all(id="text")
bs.find_all(' ', {"id": "text"})
#   如果是class的就不能class="x x x"了，因?yàn)閏lass是python中類的關(guān)鍵字
bs.find_all(class_="text")
bs.find_all(' ', {"class": "text"})

到此這篇python異常捕獲和標(biāo)簽過濾的文章就介紹到這了,更多python學(xué)習(xí)內(nèi)容請搜索W3Cschool以前的文章或繼續(xù)瀏覽下面的相關(guān)文章。


Python

0 人點(diǎn)贊