python爬虫--案例分析之针对简单的html文件
python爬虫常用的库：Python 库（urllib、BeautifulSoup、requests、scrapy）实现网页爬虫
python爬虫最简单案例分析: 对一个html文件进行分解，获取里面想要的数据
<html lang="en"> <head> <meta charset="UTF-8"/> <title>测试bs4</title> </head> <body> <div> <p>百里守约</p> </div> <div class="song"> <p>李清照</p> <p>王安石</p> <p>苏轼</p> <p>柳宗元</p> <a href="http://www.song.com/" title="赵匡胤" target="_self"> <span>this is span</span> 宋朝是最强大的王朝，不是军队的强大，而是经济很强大，国民都很有钱</a> <a href="" class="du">总为浮云能蔽日,长安不见使人愁</a> <img src="http://www.baidu.com/meinv.jpg" alt=""/> </div> <div class="tang"> <ul> <li><a href="http://www.baidu.com" title="qing">清明时节雨纷纷,路上行人欲断魂,借问酒家何处有,牧童遥指杏花村</a></li> <li><a href="http://www.163.com" title="qin">秦时明月汉时关,万里长征人未还,但使龙城飞将在,不教胡马度阴山</a></li> <li><a href="http://www.126.com" alt="qi">岐王宅里寻常见,崔九堂前几度闻,正是江南好风景,落花时节又逢君</a></li> <li><a href="http://www.sina.com" class="du">杜甫</a></li> <li><a href="http://www.dudu.com" class="du">杜牧</a></li> <li><b>杜小月</b></li> <li><i>度蜜月</i></li> <li><a href="http://www.haha.com" id="feng">凤凰台上凤凰游,凤去台空江自流,吴宫花草埋幽径,晋代衣冠成古丘</a></li> </ul> </div> </body> </html>
import requests from lxml import etree tree = etree.parse("E:\odoo14\odoo14\myaddons\demo.html") # 获取html文件 tang_info = tree.xpath("//div[@class='tang']/ul/li/a/text()") # 获取标签里的文本
print('tang_info', tang_info) # "tang_info ['清明时节雨纷纷,路上行人欲断魂,借问酒家何处有,牧童遥指杏花村', '秦时明月汉时关,万里长征人未还,但使龙城飞将在,不教胡马度阴山', '岐王宅里寻常见,崔九堂前几度闻,正是江南好风景,落花时节又逢君', '杜甫', '杜牧', '凤凰台上凤凰游,凤去台空江自流,吴宫花草埋幽径,晋代衣冠成古丘']" song_info = tree.xpath("//div[@class='song']/p/text()") #找到div的class 是song的，标签是p的文本 print('song_info', song_info) # 结果 "song_info ['李清照', '王安石', '苏轼', '柳宗元']" song_src = tree.xpath("//div[@class='song']/img/@src") #找 到div的class 是song的，的img属性
print('song_src', song_src) # song_src ['http://www.baidu.com/meinv.jpg']
song_src_a = tree.xpath("//div[@class='song']/a/text()")
print('song_src_a', song_src_a)
# song_src_a ['\n ', '\n 宋朝是最强大的王朝，不是军队的强大，而是经济很强大，国民都很有钱', '总为浮云能蔽日,长安不见使人愁']
关于xpath路径的写法：XPath(全称XML Path Languang)，即XML路径语言，是一种在XML文档中查找信息的语言。
1、/ 表示从根节点选取
2、// 从匹配选择的当前节点选择文档中的节点，而不考虑它们的位置。
3、@ 选取属性 返回所指元素的文本内容。
4、text() 返回所指元素的文本内容
4.1、string() 函数会得到所指元素的所有节点文本内容，这些文本讲会被拼接成一个字符串。
4.3、data()：data()函数和string()函数通用，而且不建议经常使用data()函数，有数据表明，该函数会影响XPath的性能。
注意：爬取内容都为数字的时候只能使用data()，不能使用text()或 string()，因为XPath不支持字符串做数学运算。
案例：song_info = tree.xpath("//div[@class='song']/p/text()") #找到div的class 是song的，标签是p的文本
5.查找页面上第一个form元素：//form[1]
6.查找页面上id为loginForm的form元素：//form[@id=‘loginForm’]
7、/bookstore/book[1] 选取属于 bookstore 子元素的第一个 book 元素。
8、/bookstore/book[last()] 选取属于 bookstore 子元素的最后一个 book 元素。
案例2：分析结构：
链接：首页 url = 'http://pic.netbian.com/4kqiche/'
后面分页：url = 'https://pic.netbian.com/4kqiche/index_%s.html' % page
import requests from lxml import etree headers = { 'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/73.0.3683.103 Safari/537.36' } # url = 'http://pic.netbian.com/4kdongman/' for page in range(1, 23): if page == 1: url = 'http://pic.netbian.com/4kqiche/' else: url = 'https://pic.netbian.com/4kqiche/index_%s.html' % page response = requests.get(url=url, headers=headers) # response.encoding = 'utf-8' #手动设定响应数据的编码 page_text = response.text # 数据解析（图片地址，图片名称） tree = etree.HTML(page_text) # li_list = tree.xpath('//div[@class="slist"]/ul/li') li_list = tree.xpath('//ul[@class="clearfix"]/li') print('------------page--------------:', page) for li in li_list: # 局部内容解析一定是以./开头。etree和element都可以调用xpath img_src = 'http://pic.netbian.com' + li.xpath('./a/img/@src')[0] # 解析出来的没有域名，要加上 img_name = li.xpath('./a/img/@alt')[0] # 不要忘记前面加点号，表示从当前li标签开始 img_name = img_name.encode('iso-8859-1').decode('gbk') # 处理中文乱码的通用形式 img_data = requests.get(url=img_src, headers=headers).content img_path = 'E://DEMO//' + img_name + '.jpg' # windows环境下：//来表示 with open(img_path, 'wb') as fp: fp.write(img_data) print(img_name, '下载成功！！！')
心有猛虎,细嗅蔷薇
