python 中xpath爬虫实例详解

Python  /  管理员 发布于 7年前   266

案例一：

某套图网站，套图以封面形式展现在页面，需要依次点击套图，点击广告盘链接，最后到达百度网盘展示页面。

这一过程通过爬虫来实现，收集百度网盘地址和提取码，采用xpath爬虫技术

1、首先分析图片列表页，该页按照更新先后顺序暂时套图封面，查看HTML结构。每一组“li”对应一组套图。属性href后面即为套图的内页地址（即广告盘链接页）。所以，我们先得获取列表页内所有的内页地址（即广告盘链接页）

代码如下：

import requests 倒入requests库from lxml import etree 倒入lxml 库（没有这个库，pip install lxml安装）url = "https://www.xxxx.com/gc/" 请求地址response = requests.get(url= url) 返回结果wb_data = response.text 文本展示返回结果html = etree.HTML(wb_data) 将页面转换成文档树b = html.xpath('//ul[@class = "clearfix"]//@href') 这一步的意思是class“clearfix”下所有属性为“href”赋值给“b”，因为我们的目标内容都展示在class“clearfix”下，且在href属性后面print(b) 打印b，这里的b是一个数组print(b[0]) 打印b的第一项数据

执行结果：成功返回所有内页

2、打开内页（即广告盘链接页），获取广告盘地址。下图红色箭头，还不是真正的百度盘页，需要点击后才可以看的到百度盘的地址。所以这一步骤，只需要抓取红色箭头内容地址；

代码如下：

url = "https://www.xxxx.com/gc/toutiao/87098.html"response = requests.get(url= url)wb_data = response.text # 将页面转换成文档树html = etree.HTML(wb_data)b = html.xpath('//div[@class = "pictext"]//@href')c=b[1]  #需要注意的地方，class = "pictext"下有两个href，我们只需要第一个href的值，所以返回值再赋值给c且取第二项数据print(c)

执行结果：成功返回所有内页

3、获取到广告盘地址，接下来要打开该地址，抓百度盘真实地址。链接和提取码在两个不同的元素中，所有最后返回两组数据。

代码如下：

url = "http://xxx.la/xam9I6"response = requests.get(url= url)wb_data = response.text# 将页面转换成文档树html = etree.HTML(wb_data)b = html.xpath('//tr/td/text()')c=b[6]#提取码d = html.xpath('//tr//@href')#百度地址print(c)print(d)

注意，这里html.xpath写法与上面有些区别，目标元素的上级没有class，只能模糊取值

比如提取码的HTML结构如下图，结构为//tr/td/，单/代表父节点下的子节点，双/代表父节点后的子孙节点。提取码为tr的子节点。但是这个结构下有很多组数据，最后输出一个数组b（看上面代码b）。如此，我们找到提取码位于数组序列，赋值给c（看上面代码c），这样获得了真实的百度盘地址

网盘地址则因为有href属性，所以好爬去一些，注意/的数量即可

4、把以上步骤拼成一个脚本，这里就涉及到函数和函数之间的传参，还有循环的问题。代码直接贴出来

# -*-coding:utf8-*-# encoding:utf-8import requestsfrom lxml import etreefirstlink = "https://www.xxx.com/gc/qt/83720.html"AA=["https://www.xxx.com/gc/", "https://www.xxx.com/gc/index_2.html", "https://www.xxx.com/gc/index_3.html", "https://www.xxx.com/gq/", "https://www.xxx.com/gq/index_2.html", "https://www.xxx.com/gq/index_3.html", "https://www.xxx.com/gq/index_4.html"]#第1步，获取第一页面所有的地址def stepa (AA): lit=[] for url in AA:  response = requests.get(url=url)  wb_data = response.text  # 将页面转换成文档树  html = etree.HTML(wb_data)  a = html.xpath('//ul[@class = "clearfix"]//@href')  lit.append(a) return(lit) alllink = stepa(AA)#第2步，获取的地址，循环读取打开，从而获取百度网盘信息def stepb(alllink,firstlink): for list in alllink:  for url in list:   if url in firstlink:    continue   elif "www" in url:    url2 = url   else:    url2 ="https://www.xxx.com" +url   response = requests.get(url=url2)   wb_data = response.text # 将页面转换成文档树   html = etree.HTML(wb_data)   b = html.xpath('//div[@class = "pictext"]//@href')   c = b[1]   #print(c)   #获取到广告页地址   url3 = c   response = requests.get(url=url3)   wb_data = response.text   # 将页面转换成文档树   html = etree.HTML(wb_data)   d = html.xpath('//tr/td/text()')   #print(d)   e=d[6]#获取提取码   f = html.xpath('//tr//@href')#获取地址   test = e[-5:]#提取码值只保留提取码（4位）   test2 = f[-1]#链接只保留链接内容，去掉前后['']   test3=test2+test#把链接和提取码拼接成一条数据   print(test3)   with open('C:/Users/Beckham/Desktop/python/1.txt', 'a',encoding='utf-8') as w:    w.write('\n'+test3)    w.close()stepb(alllink,firstlink)#第3步：提示爬取完成def over(): print("ok")over()

需要注意的地方：

1、return的用法，如果想把函数生成的值传给后面的函数用，就需要返回这个值，如def stepa 里定义的a为爬去的套图封面地址（通过打开这个地址进行下一步），就需要return（a）返回a的值，否则执行后无数据

2、Continue的应用，因为第一个套图地址打开的内容没有目标内容，这样找不到元素会报错，所以需要读取套图地址的时候要跳过第一个地址。加一个if判断，当第一个地址等于事先定义好的非正常地址的时候，跳过这个循环

打印结果：

案例二：

爬取豆瓣的读书的评论

分析html，评论存储放在标红色元素位置，且观察结构，其他评论都存储在li节点的相同位置

所以，xpath的解析对象为//*[@id="comments"]//div[2]/p/span

前面的实例讲过"//" 代表从当前节点选取子孙节点，这里就可以直接跳过li节点，直接选择li后的div[2]/p/span内容

代码如下：

# -*-coding:utf8-*-# encoding:utf-8import requestsfrom lxml import etreefirstlink = "https://book.douban.com/subject/30172069/comments/hot?p=6"def stepa (firstlink): response = requests.get(url=firstlink) wb_data = response.text html = etree.HTML(wb_data) a = html.xpath('//*[@id="comments"]//div[2]/p/span') print(a)stepa (firstlink)

运行代码，打印出来的结果如下图，没有得到想要的评论内容

后来发现，想要获取内容，必须以文本的形式输出，即xpath的解析对象为//*[@id="comments"]//div[2]/p/span/text()

修改后的代码

# -*-coding:utf8-*-# encoding:utf-8import requestsfrom lxml import etreefirstlink = "https://book.douban.com/subject/30172069/comments/hot?p=6"def stepa (firstlink): response = requests.get(url=firstlink) wb_data = response.text html = etree.HTML(wb_data) a = html.xpath('//*[@id="comments"]//div[2]/p/span/text()') print(a)stepa (firstlink)

执行一下，内容来了

参考地址：https://cuiqingcai.com/5545.html

总结

以上所述是小编给大家介绍的python 中xpath爬虫实例详解,希望对大家有所帮助，如果大家有任何疑问请给我留言，小编会及时回复大家的。在此也非常感谢大家对站的支持！
如果你觉得本文对你有帮助，欢迎转载，烦请注明出处，谢谢！