05.爬虫入门笔记1

入门爬虫笔记01

1.request库的使用

  • 使用request库的get方法

    import request
r = request.get('www.baidu.com')

    这会得到一个Response对象，将其存入变量r。

  • 显示得到的html代码

    print（r.text）

    有时候会出现乱码的情况，这时候在网站使用开发者工具(F12)，在head标签下，找一下'charset'这个单词

    如图百度的 charset = 'utf-8'，所以在程序中加入代码：

    r.encoding = 'utf-8'  # 'gbk' 'utf-8'这个两个最常见

    2.使用xpath解析

    • 生成实例

      tree = etree.HTML(r.text)

    • xpath匹配模式

      • 路径定位

        tree.xpath('/html/body/div') # 绝对路径 相对路径
tree.xpath('/html//div')

      • 属性定位

        tree.xpath('//div[@class='song']')
# 定位class属性等于song 的 div标签

      • 引索定位

        tree.xpath('//div[@class='song']/p[3]')
# 定位<div class="song"></div>内的第三个p标签 
# 这个引索是从1开始的，而不是从0开始

        这些匹配模式可以组合使用，完成复杂的匹配。

    • 取出数据

      • 使用 @href 取出链接
      • 使用 text() 取出标签内的文本

      练习：

      <!DOCTYPE html>
<html lang="en">
<head>
    <meta charset="UTF-8">
</head>
<body>
<div class="main">
</div> 
<div class="menu">
  <ul>
      <li>
          <a href='https://www.baidu.com'>baidu</a>
      </li>
      <li>
          <a href='https://www.bilibili.com/'>bilibili</a>
      </li>
  </ul>
</div> 
</body>
</html>

      取出第一个a标签的文本"baidu"：

      a1 = tree.xpath("/html/body/div[@class='menu']/ul/li[1]/a/text()")

      取出第二个a标签的链接"https://www.bilibili.com/":

      a2 = tree.xpath("/html/body/div[2]/ul/li[2]/a/@href")

睡觉!

posted @ 2022-08-26 01:04  passion2021  阅读(36)  评论(0)  编辑  收藏  举报