python 中xpath爬虫实例详解
人气:0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-8 import requests from lxml import etree firstlink = "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-8 import requests from lxml import etree firstlink = "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-8 import requests from lxml import etree firstlink = "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网站的支持!
如果你觉得本文对你有帮助,欢迎转载,烦请注明出处,谢谢!
您可能感兴趣的文章:
加载全部内容