HTML文件其實(shí)就是由一組尖括號構(gòu)成的標(biāo)簽組織起來的，每一對尖括號形式一個(gè)標(biāo)簽，標(biāo)簽之間存在上下關(guān)系，形成標(biāo)簽樹；XPath 使用路徑表達(dá)式在 XML 文檔中選取節(jié)點(diǎn)。節(jié)點(diǎn)是通過沿著路徑或者 step 來選取的。

首先進(jìn)入京東網(wǎng)，輸入自己想要查詢的商品，向服務(wù)器發(fā)送網(wǎng)頁請求。在這里小編仍以關(guān)鍵詞“狗糧”作為搜索對象，之后得到后面這一串網(wǎng)址：

https://search.jd.com/Search?keyword=%E7%8B%97%E7%B2%AE&enc=utf-8，其中參數(shù)的意思就是我們輸入的keyword，在本例中該參數(shù)代表“狗糧”，具體詳情可以參考Python大神用正則表達(dá)式教你搞定京東商品信息。所以，只要輸入keyword這個(gè)參數(shù)之后，將其進(jìn)行編碼，就可以獲取到目標(biāo)URL。之后請求網(wǎng)頁，得到響應(yīng)，爾后利用bs4選擇器進(jìn)行下一步的數(shù)據(jù)采集。

商品信息在京東官網(wǎng)上的部分網(wǎng)頁源碼如下圖所示：

狗糧信息在京東官網(wǎng)上的網(wǎng)頁源碼

仔細(xì)觀察源碼，可以發(fā)現(xiàn)我們所需的目標(biāo)信息是存在<li data-sku="*****" class="gl-item">標(biāo)簽下的，那么接下來我們就像剝洋蔥一樣，一層一層的去獲取我們想要的信息。

通常URL編碼的方式是把需要編碼的字符轉(zhuǎn)化為%xx的形式，一般來說URL的編碼是基于UTF-8的，當(dāng)然也有的于瀏覽器平臺(tái)有關(guān)。在Python的urllib庫中提供了quote方法，可以實(shí)現(xiàn)對URL的字符串進(jìn)行編碼，從而可以進(jìn)入到對應(yīng)的網(wǎng)頁中去。

在線復(fù)制Xpath表達(dá)式

很多小伙伴都覺得Xpath表達(dá)式很難寫，其實(shí)掌握了基本的用法也就不難了。在線復(fù)制Xpath表達(dá)式如上圖所示，可以很方便的復(fù)制Xpath表達(dá)式。但是通過該方法得到的Xpath表達(dá)式放在程序中一般不能用，而且長的沒法看。所以Xpath表達(dá)式一般還是要自己親自上手。

直接上代碼，利用Xpath去提取目標(biāo)信息，如商品的名字、鏈接、圖片和價(jià)格，具體的代碼如下圖所示：

爬蟲代碼

在這里，小編告訴大家一個(gè)Xpath表達(dá)式匹配技巧。之前看過好幾篇文章，大佬們都推薦Xpath表達(dá)式使用嵌套匹配的方式。在本例中，首先定義items，如下所示：

items = selector.xpath('//li[@class="gl-item"]')

之后通過range函數(shù)，逐個(gè)從網(wǎng)頁中進(jìn)行匹配目標(biāo)信息，而不是直接通過復(fù)制Xpath表達(dá)式的方式一步到位。希望小伙伴們以后都可以少入這個(gè)坑~~

最后得到的效果圖如下所示：

最終效果圖

新鮮的狗糧再一次出爐咯~~~

小伙伴們，有沒有發(fā)現(xiàn)利用Xpath來獲取目標(biāo)信息比正則表達(dá)式要簡單一些呢？

以上就是本文的全部內(nèi)容，希望對大家的學(xué)習(xí)有所幫助，也希望大家多多支持腳本之家。

最新評論