xpath库学习
2024-09-18 23:44:42
xpath解析是我们在爬虫中最常用也是最通用的一种数据解析方式。
环境安装
pip install lxml
解析原理
- 使用通用爬虫爬取网页数据
- 实例化etree对象,且将页面数据加载到该对象中
- 使用xpath函数结合xpath表达式进行标签定位和指定数据提取
实例化etree对象
- 1.将本地的html文档中的源码数据加载到etree对象中:
etree.parse(filePath)
- 2.可以将从互联网上获取的源码数据加载到该对象中
etree.HTML('page_text')
xpath表达式
- xpath表达式:
- xpath('xpath表达式')
- /:表示的是从根节点开始定位。表示的是一个层级。
- //:表示的是多个层级。可以表示从任意位置开始定位。
- 属性定位://div[@class='song'] tag[@attrName="attrValue"]
- 索引定位://div[@class="song"]/p[3] 索引是从1开始的。
- 取文本:
- /text() 获取的是标签中直系的文本内容
- //text() 标签中非直系的文本内容(所有的文本内容)
- 取属性:
/@attrName ==>img/src
xpath使用案例
属性定位:
#找到class属性值为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
逻辑运算:
#找到href属性值为空且class属性值为du的a标签
//a[@href="" and @class="du"]
模糊匹配:
//div[contains(@class, "ng")]
//div[starts-with(@class, "ta")]
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()
取属性:
//div[@class="tang"]//li[2]/a/@href
爬虫分析案例
解析58二手房的相关数据
import requests
from lxml import etree
# 需求:爬取58二手房中的房源信息 if __name__ == "__main__":
headers = {
'User-Agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_12_0) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/73.0.3683.103 Safari/537.36'
}
# 爬取到页面源码数据
url = 'https://bj.58.com/ershoufang/'
page_text = requests.get(url=url, headers=headers).text # 数据解析
tree = etree.HTML(page_text)
# 存储的就是li标签对象
li_list = tree.xpath('//ul[@class="house-list-wrap"]/li')
fp = open('58.txt', 'w', encoding='utf-8')
for li in li_list:
# 局部解析
title = li.xpath('./div[2]/h2/a/text()')[0] # ./表示当前解析的li标签为源码参照物
print(title)
fp.write(title + '\n')
解析下载图片数据:
# 需求:解析下载图片数据 http://pic.netbian.com/4kbeijing/
import requests
from lxml import etree
import os
if __name__ == "__main__":
url = 'http://pic.netbian.com/4kbeijing/'
headers = {
'User-Agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_12_0) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/73.0.3683.103 Safari/537.36'
}
response = requests.get(url=url, headers=headers)
# 手动设定响应数据的编码格式
# response.encoding = 'utf-8'
page_text = response.text # 数据解析:src的属性值 alt属性
tree = etree.HTML(page_text)
li_list = tree.xpath('//div[@class="slist"]/ul/li') # 创建一个文件夹
if not os.path.exists('./picLibs'):
os.mkdir('./picLibs') for li in li_list:
img_src = 'http://pic.netbian.com' + li.xpath('./a/img/@src')[0]
img_name = li.xpath('./a/img/@alt')[0] + '.jpg'
# 通用处理中文乱码的解决方案
# encode('iso-8859-1')
# 是将gbk编码编码成unicode编码
# decode(‘gbk’) 是从unicode编码解码成gbk字符串
img_name = img_name.encode('iso-8859-1').decode('gbk') # print(img_name,img_src)
# 请求图片进行持久化存储
img_data = requests.get(url=img_src, headers=headers).content
img_path = 'picLibs/' + img_name
with open(img_path, 'wb') as fp:
fp.write(img_data)
print(img_name, '下载成功!!!')
解析出所有城市名称
# 项目需求:解析出所有城市名称https://www.aqistudy.cn/historydata/
import requests
from lxml import etree
if __name__ == "__main__":
# headers = {
# 'User-Agent':'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_12_0) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/73.0.3683.103 Safari/537.36'
# }
# url = 'https://www.aqistudy.cn/historydata/'
# page_text = requests.get(url=url,headers=headers).text
#
# tree = etree.HTML(page_text)
# host_li_list = tree.xpath('//div[@class="bottom"]/ul/li')
# all_city_names = []
# #解析到了热门城市的城市名称
# for li in host_li_list:
# hot_city_name = li.xpath('./a/text()')[0]
# all_city_names.append(hot_city_name)
#
# #解析的是全部城市的名称
# city_names_list = tree.xpath('//div[@class="bottom"]/ul/div[2]/li')
# for li in city_names_list:
# city_name = li.xpath('./a/text()')[0]
# all_city_names.append(city_name)
#
# print(all_city_names,len(all_city_names))
headers = {
'User-Agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_12_0) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/73.0.3683.103 Safari/537.36'
}
url = 'https://www.aqistudy.cn/historydata/'
page_text = requests.get(url=url, headers=headers).text tree = etree.HTML(page_text)
# 解析到热门城市和所有城市对应的a标签
# //div[@class="bottom"]/ul/li/ 热门城市a标签的层级关系
# //div[@class="bottom"]/ul/div[2]/li/a 全部城市a标签的层级关系
a_list = tree.xpath(
'//div[@class="bottom"]/ul/li/a | //div[@class="bottom"]/ul/div[2]/li/a')
all_city_names = []
for a in a_list:
city_name = a.xpath('./text()')[0]
all_city_names.append(city_name)
print(all_city_names, len(all_city_names))
爬取站长素材中免费简历模板
# 项目需求:爬取站长素材中免费简历模板 http://sc.chinaz.com/jianli/free.html import requests
import os
from lxml import etree if __name__ == "__main__":
headers = {
'User-Agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_12_0) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/73.0.3683.103 Safari/537.36'
}
url = 'http://sc.chinaz.com/jianli/free.html' # 创建一个文件夹jianlitemplates
if not os.path.exists('./jianlitemplates'):
os.mkdir('./jianlitemplates')
for page in range(1, 4): # 分页提取(2-3页)
if page > 1:
url = 'http://sc.chinaz.com/jianli/free_%s.html' % page
# print(url)
page_text = requests.get(url=url, headers=headers).text
tree = etree.HTML(page_text)
jianli_href_list = tree.xpath(
'//div[@class="box col3 ws_block"]/a/@href') # 模板链接
jianli_name_list = tree.xpath(
'//div[@class="box col3 ws_block"]/a/img/@alt') # 模板标题
title_list = [t.encode('iso-8859-1').decode('utf-8')
for t in jianli_name_list] # 转中文 for ind, h in enumerate(jianli_href_list): # 抓取简历模板页
con_text = requests.get(url=h, headers=headers).text
con_tree = etree.HTML(con_text)
con_href = con_tree.xpath(
'//div[@class="clearfix mt20 downlist"]/ul/li/a/@href')[0] # 得到下载链接
print(con_href, title_list[ind])
wrd_path = 'jianlitemplates/' + title_list[ind] + '.rar'
# 请求模板进行持久化存储
wrd_data = requests.get(url=con_href, headers=headers).content
with open(wrd_path, 'wb') as fp: # 保存简历模板
fp.write(wrd_data)
print(title_list[ind], '下载成功!!!')
最新文章
- web常见错误提示总结
- 【CityHunter】通过Unity3D来制作游戏中AR部分的内容
- CF# 334 Alternative Thinking
- [转]深入理解Java 8 Lambda(语言篇——lambda,方法引用,目标类型和默认方法)
- Cygwin + CMake 测试
- Linux 下安装服务器安全狗
- 【BZOJ】【1013】【JSOI2008】球形空间产生器sphere
- Linux内核监控模块-0-开篇简介
- iOS开发——关于开发者账号引发的血案
- 以setTimeout来聊聊Event Loop
- java构建学生管理系统(一)
- glusterfs 4.0.1 rpc 分析笔记1
- 2018-2019-1 20189201 《LInux内核原理与分析》第六周作业
- linux下的初始化系统systemd简科普
- linux命令之----sort命令用于将文本文件内容加以排序
- TZOJ 3030 Courses(二分图匹配)
- git杂记-撤销操作
- Portal for ArcGIS 10.2.2更改域名和导入自定义证书
- cookie,session,token
- Webpack4.x 入门
热门文章
- 洛谷 P1162 填涂颜色题解
- Java基础--线程创建方式
- NumPy基本操作快速熟悉
- 指针数组(int *a[])和数组指针 (int (*a)[])
- javascript学习3、数据类型、数据类型转换、运算符
- python应用-彩票随机码的输出
- Collections.synchronizedList使用
- [React] Fix ";React Error: Rendered fewer hooks than expected";
- TimeStamp( )函数, TimeStampAdd( )函数 , TimeStampDiff( )函数
- jdk和Tomcat版本之间的关系,jdk尽量要比tomcat低才行