爬虫之解析库Xpath
简介
XPath即为XML路径语言（XML Path Language），它是一种用来确定XML文档中某部分位置的语言。
XPath基于XML的树状结构，提供在数据结构树中找寻节点的能力。起初XPath的提出的初衷是将其作为一个通用的、介于XPointer与XSL间的语法模型。但是XPath很快的被开发者采用来当作小型查询语言。
语法
下面列出了最有用的路径表达式：
|
表达式
|
描述
|
|---|---|
|
nodename
|
选取此节点的所有子节点。
|
|
/
|
从根节点选取。
|
|
//
|
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。
|
|
.
|
选取当前节点。
|
|
..
|
选取当前节点的父节点。
|
|
@
|
选取属性。
|
运算符
|
运算符
|
描述
|
实例
|
返回值
|
|---|---|---|---|
|
|
|
计算两个节点集
|
//book | //cd
|
返回所有拥有 book 和 cd 元素的节点集
|
|
+
|
加法
|
6 + 4
|
10
|
|
-
|
减法
|
6 - 4
|
2
|
|
*
|
乘法
|
6 * 4
|
24
|
|
div
|
除法
|
8 div 4
|
2
|
|
=
|
等于
|
price=9.80
|
如果 price 是 9.80，则返回 true。
如果 price 是 9.90，则返回 false。
|
|
!=
|
不等于
|
price!=9.80
|
如果 price 是 9.90，则返回 true。
如果 price 是 9.80，则返回 false。
|
|
<
|
小于
|
price<9.80
|
如果 price 是 9.00，则返回 true。
如果 price 是 9.90，则返回 false。
|
|
<=
|
小于或等于
|
price<=9.80
|
如果 price 是 9.00，则返回 true。
如果 price 是 9.90，则返回 false。
|
|
>
|
大于
|
price>9.80
|
如果 price 是 9.90，则返回 true。
如果 price 是 9.80，则返回 false。
|
|
>=
|
大于或等于
|
price>=9.80
|
如果 price 是 9.90，则返回 true。
如果 price 是 9.70，则返回 false。
|
|
or
|
或
|
price=9.80 or price=9.70
|
如果 price 是 9.80，
或者 price 是 9.70，则返回 true。
|
|
and
|
与
|
price>9.00 and price<9.90
|
如果 price 大于 9.00，
并且 price 小于9.90，则返回 true。
|
|
mod
|
计算除法的余数
|
5 mod 2
|
1
|
常用表达式
- 获取所有节点 - 获取所有li标签 - //* //li - 获取子节点 - 我们通过/或//即可查找元素的子节点和子孙节点 - li节点的所有直接a子节点 - //li/a - 获取ul的所有子孙a节点 - //ul//a - 获取父节点属性 - 知道子节点查询父节点 - //div[@class="filter-wrap"]/../@class' - //div[@class="filter-wrap"]/parent::*/@class' - 属性定位 - 找到当前源码中所有class属性为song的div标签 - //div[@class="song"] - 层级&索引定位 - 找到class属性值为tang的div的直系子标签ul下的第二个子标签li下的直系子标签a - //div[@class="tang"]/ul/li[2]/a - 多属性匹配 - 从当前源码中找到href属性为空且class属性为song的所有a标签 - //a[@href="" and @class="song"] - 模糊匹配 - 找到所有class属性值中包含nb的所有div标签 - //div[contains(@class,"so")] - 找到所有class属性值以zb开头的所有div标签 - //div[starts-with(@class,"ta")] - 获取文本 - / 表示获取某个标签下的文本内容 - // 表示获取某个标签下的文本内容和所有子标签下的文本内容 - //div[@class="song"]/p[1]/text() - //div[@class="tang"]//text() - 获取属性 - //div[@class="tang"]//li[2]/a/@href
案例演示
环境安装
pip install lxml
解析原理
- 解析原理: - 获取页面源码数据 - 实例化一个etree对象,并将页面源码数据加载到该对象中 - 调用该对象的xpath方法进行指定标签的定位 - 注意:xpath函数必须结合着xpath表达式进行标签的定位和内容的捕获
58同城房源信息抓取
import requests from lxml import etree url = "https://bj.58.com/shahe/ershoufang/?PGTID=0d30000c-0047-e4b2-f57c-08960a90aab4&ClickID=1" headres = { 'user-agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/75.0.3770.142 Safari/537.36' } response = requests.get(url).text # 实列化一个etree对象,加载页面源码数据 tree = etree.HTML(response) # etree对象调用xpath函数,结合xpath表达式进行标签定位和内容捕获 li_list = tree.xpath('//ul[@class="house-list-wrap"]/li') # 返回值由很多个li标签组成的列表 for i in li_list: tetle = i.xpath("./div[2]/h2/a/text()")[0] # 局部调用表达式时必须加点 procr = "".join(i.xpath("./div[3]/p//text()")) # 将价格拼接 print(tetle,procr)
"""
i.xpath("./div[2]/h2/a/text() |./div[3]/h2/a/text()")[0] # xpath中可以使用管道符表示或的关系,用这两种规则进行匹配
"""
彼岸图网图片爬取
注意:这里遇到中文乱码问题
解决方法一：
# 处理中文乱码,将响应数据统一编码成utf-8
# response.encoding = "utf-8"
解决方法二：
# 哪里乱码解码哪里
img_name.encode("iso-8859-1").decode("gbk")
import os import urllib import requests from lxml import etree url = "http://pic.netbian.com/4kmeinv/" headers = { 'user-agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/75.0.3770.142 Safari/537.36' } response = requests.get(url=url,headers=headers) # 处理中文乱码,将响应数据统一编码成utf-8 # response.encoding = "utf-8" if not os.path.exists("./imgs"): os.mkdir("./imgs") page_text = response.text # 实例化etree对象并加载页面源码数据 tree = etree.HTML(page_text) # 找到所有li标签 li_list = tree.xpath("//div[@class='slist']/ul/li") for li in li_list: img_name = li.xpath("./a/b/text()")[0] # ./代表从li标签开始解析,不写m默认从整张HTML页面开始解析 # 处理中文乱码 img_name = img_name.encode("iso-8859-1").decode("gbk") # 拼接图片路径 img_url = "http://pic.netbian.com" + li.xpath("./a/img/@src")[0] img_path = "./imgs/" + img_name+".jpg" # 调用urllib中的urlretrieve方法存储 urllib.request.urlretrieve(url=img_url,filename=img_path) print("正在下载",img_name) print("download ok")
