爬虫-页面解析和数据提取
爬虫2(页面解析和数据提取)

处理HTML文件,常用Xpath,先将HTML文件转换成XML文档,然后用Xpath查找HTML节点或元素。
一、HTML与XML

二、XPath

1、XPath路径表达式


三、Lxml库
html = etree.HTML(text) # 将字符串转换成HTML格式 # print(etree.tostring(html)) # 补全HTML result = html.xpath('//li/a/text()') # 获取li标签下的a标签的文本 r = html.xpath('//li[contains(@class,"item-")]') # 获取属性为class且包含item-的li标签
案例:下载百度贴吧页面的图片
import requests from lxml import etree index_url = 'https://tieba.baidu.com/p/5475267611' response = requests.get(index_url).text selector = etree.HTML(response) image_urls = selector.xpath('//img[@class="BDE_Image"]/@src') offset = 0 for image_url in image_urls: image_content = requests.get(image_url).content with open('{}.jpg'.format(offset), 'wb') as f: f.write(image_content) offset = offset + 1
【推荐】国内首个AI IDE,深度理解中文开发场景,立即下载体验Trae
【推荐】编程新体验,更懂你的AI,立即体验豆包MarsCode编程助手
【推荐】抖音旗下AI助手豆包,你的智能百科全书,全免费不限次数
【推荐】轻量又高性能的 SSH 工具 IShell:AI 加持,快人一步
· 【自荐】一款简洁、开源的在线白板工具 Drawnix
· 没有Manus邀请码?试试免邀请码的MGX或者开源的OpenManus吧
· 园子的第一款AI主题卫衣上架——"HELLO! HOW CAN I ASSIST YOU TODAY
· 无需6万激活码!GitHub神秘组织3小时极速复刻Manus,手把手教你使用OpenManus搭建本
· C#/.NET/.NET Core优秀项目和框架2025年2月简报