快捷導(dǎo)航

python 中xpath爬蟲實(shí)例詳解

更新時(shí)間：2019年08月26日 10:18:55 作者：小貝書屋

這篇文章主要介紹了python實(shí)例：xpath爬蟲實(shí)例,本文通過實(shí)例代碼給大家介紹的非常詳細(xì)，具有一定的參考借鑒價(jià)值，需要的朋友可以參考下

案例一：

某套圖網(wǎng)站，套圖以封面形式展現(xiàn)在頁面，需要依次點(diǎn)擊套圖，點(diǎn)擊廣告盤鏈接，最后到達(dá)百度網(wǎng)盤展示頁面。

這一過程通過爬蟲來實(shí)現(xiàn)，收集百度網(wǎng)盤地址和提取碼，采用xpath爬蟲技術(shù)

1、首先分析圖片列表頁，該頁按照更新先后順序暫時(shí)套圖封面，查看HTML結(jié)構(gòu)。每一組“l(fā)i”對應(yīng)一組套圖。屬性href后面即為套圖的內(nèi)頁地址（即廣告盤鏈接頁）。所以，我們先得獲取列表頁內(nèi)所有的內(nèi)頁地址（即廣告盤鏈接頁）

代碼如下：

import requests 倒入requests庫
from lxml import etree 倒入lxml 庫（沒有這個(gè)庫，pip install lxml安裝）
url = "https://www.xxxx.com/gc/" 請求地址
response = requests.get(url= url) 返回結(jié)果
wb_data = response.text 文本展示返回結(jié)果
html = etree.HTML(wb_data) 將頁面轉(zhuǎn)換成文檔樹
b = html.xpath('//ul[@class = "clearfix"]//@href') 這一步的意思是class“clearfix”下所有屬性為“href”賦值給“b”，因?yàn)槲覀兊哪繕?biāo)內(nèi)容都展示在class“clearfix”下，且在href屬性后面
print(b) 打印b，這里的b是一個(gè)數(shù)組
print(b[0]) 打印b的第一項(xiàng)數(shù)據(jù)

執(zhí)行結(jié)果：成功返回所有內(nèi)頁

2、打開內(nèi)頁（即廣告盤鏈接頁），獲取廣告盤地址。下圖紅色箭頭，還不是真正的百度盤頁，需要點(diǎn)擊后才可以看的到百度盤的地址。所以這一步驟，只需要抓取紅色箭頭內(nèi)容地址；

代碼如下：

url = "https://www.xxxx.com/gc/toutiao/87098.html"
response = requests.get(url= url)
wb_data = response.text # 將頁面轉(zhuǎn)換成文檔樹
html = etree.HTML(wb_data)
b = html.xpath('//div[@class = "pictext"]//@href')
c=b[1]  #需要注意的地方，class = "pictext"下有兩個(gè)href，我們只需要第一個(gè)href的值，所以返回值再賦值給c且取第二項(xiàng)數(shù)據(jù)
print(c)

執(zhí)行結(jié)果：成功返回所有內(nèi)頁

3、獲取到廣告盤地址，接下來要打開該地址，抓百度盤真實(shí)地址。鏈接和提取碼在兩個(gè)不同的元素中，所有最后返回兩組數(shù)據(jù)。

代碼如下：

url = "http://xxx.la/xam9I6"
response = requests.get(url= url)
wb_data = response.text
# 將頁面轉(zhuǎn)換成文檔樹
html = etree.HTML(wb_data)
b = html.xpath('//tr/td/text()')
c=b[6]#提取碼
d = html.xpath('//tr//@href')#百度地址
print(c)
print(d)

注意，這里html.xpath寫法與上面有些區(qū)別，目標(biāo)元素的上級沒有class，只能模糊取值

比如提取碼的HTML結(jié)構(gòu)如下圖，結(jié)構(gòu)為//tr/td/，單/代表父節(jié)點(diǎn)下的子節(jié)點(diǎn)，雙/代表父節(jié)點(diǎn)后的子孫節(jié)點(diǎn)。提取碼為tr的子節(jié)點(diǎn)。但是這個(gè)結(jié)構(gòu)下有很多組數(shù)據(jù)，最后輸出一個(gè)數(shù)組b（看上面代碼b）。如此，我們找到提取碼位于數(shù)組序列，賦值給c（看上面代碼c），這樣獲得了真實(shí)的百度盤地址

網(wǎng)盤地址則因?yàn)橛衕ref屬性，所以好爬去一些，注意/的數(shù)量即可

4、把以上步驟拼成一個(gè)腳本，這里就涉及到函數(shù)和函數(shù)之間的傳參，還有循環(huán)的問題。代碼直接貼出來

# -*-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，獲取第一頁面所有的地址
def stepa (AA):
 lit=[]
 for url in AA:
  response = requests.get(url=url)
  wb_data = response.text
  # 將頁面轉(zhuǎn)換成文檔樹
  html = etree.HTML(wb_data)
  a = html.xpath('//ul[@class = "clearfix"]//@href')
  lit.append(a)
 return(lit) 
alllink = stepa(AA)

#第2步，獲取的地址，循環(huán)讀取打開，從而獲取百度網(wǎng)盤信息
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 # 將頁面轉(zhuǎn)換成文檔樹
   html = etree.HTML(wb_data)
   b = html.xpath('//div[@class = "pictext"]//@href')
   c = b[1]
   #print(c)
   #獲取到廣告頁地址
   url3 = c
   response = requests.get(url=url3)
   wb_data = response.text
   # 將頁面轉(zhuǎn)換成文檔樹
   html = etree.HTML(wb_data)
   d = html.xpath('//tr/td/text()')
   #print(d)
   e=d[6]#獲取提取碼
   f = html.xpath('//tr//@href')#獲取地址
   test = e[-5:]#提取碼值只保留提取碼（4位）
   test2 = f[-1]#鏈接只保留鏈接內(nèi)容，去掉前后['']
   test3=test2+test#把鏈接和提取碼拼接成一條數(shù)據(jù)
   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，如果想把函數(shù)生成的值傳給后面的函數(shù)用，就需要返回這個(gè)值，如def stepa 里定義的a為爬去的套圖封面地址（通過打開這個(gè)地址進(jìn)行下一步），就需要return（a）返回a的值，否則執(zhí)行后無數(shù)據(jù)

2、Continue的應(yīng)用，因?yàn)榈谝粋€(gè)套圖地址打開的內(nèi)容沒有目標(biāo)內(nèi)容，這樣找不到元素會報(bào)錯(cuò)，所以需要讀取套圖地址的時(shí)候要跳過第一個(gè)地址。加一個(gè)if判斷，當(dāng)?shù)谝粋€(gè)地址等于事先定義好的非正常地址的時(shí)候，跳過這個(gè)循環(huán)

打印結(jié)果：

案例二：

爬取豆瓣的讀書的評論

分析html，評論存儲放在標(biāo)紅色元素位置，且觀察結(jié)構(gòu)，其他評論都存儲在li節(jié)點(diǎn)的相同位置

所以，xpath的解析對象為//*[@id="comments"]//div[2]/p/span

前面的實(shí)例講過"http://" 代表從當(dāng)前節(jié)點(diǎn)選取子孫節(jié)點(diǎn)，這里就可以直接跳過li節(jié)點(diǎn)，直接選擇li后的div[2]/p/span內(nèi)容

代碼如下：

# -*-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)

運(yùn)行代碼，打印出來的結(jié)果如下圖，沒有得到想要的評論內(nèi)容

后來發(fā)現(xiàn)，想要獲取內(nèi)容，必須以文本的形式輸出，即xpath的解析對象為//*[@id="comments"]//div[2]/p/span/text()

修改后的代碼

# -*-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)

執(zhí)行一下，內(nèi)容來了