关闭

XPath与多线程爬虫

1087人阅读 评论(0) 收藏 举报
分类:

一、神器XPath的介绍与配置

1 XPath是什么?

XPath,即XML路径语言(XML Path Language),是确定XML文档中某位置的语言,基于XML的树状结构,提供在数据结构树中寻找节点的能力。

简言之,XPath是一门语言,可以在XML文档中查找信息,支持HTML,通过元素和属性进行导航;

XPath用以提取信息,类似于正则表达式,但比正则表达式厉害、简单,因为使用正则表达式时即使是正确的,却也没法获取需要的信息,或网页原代码结构复杂,不知道如何使用正则表达式进行匹配。


2 安装lxml库

方法1:使用easyinstall

方法2:使用pip install lxml

方法3;https://pypi.python.org/pypi,搜索lxml,选择lxml 3.5.0 package,显示最新版本是3.6.0,点击进入,根据自己安装Python版本、计算机32位/64位,选择以.whl为扩展名的lxml File——lxml-3.6.0-cp27-none-win_amd64.whl (md5)进行下载,将文件扩展名修改成.zip,打开并把压缩文件的中的lxml文件夹放置在安装Python目录下的Lib文件夹中


3 使用lxml库

from lxml import etree          # 导入etree
Selector=etree.HTML(网页源代码) # 转化成被xpath识别和匹配的对象,并赋值给Selector变量
Selector.xpath(一段神奇的符号)  # 提取感兴趣的内容




二、神器XPath的使用

先导问题:想要找到极客学院的办公大楼

使用正则表达式:寻找的大楼左边有一个三角形的建筑,右边有一个圆形建筑,而中国很大,需要很多时间才能找到;

使用XPath:寻找的大楼在北京市海淀区某某路某某号;

1 XPath与HTML结构

HTML是树状结构,可逐层展开, 利用该特点可逐层定位,在逐层定位的基础上寻找独立节点。

举例:

打开一个网站:


查看器源代码:

<!DOCTYPE html>
<html>
<head lang="en">
    <meta charset="UTF-8">
    <title>测试-常规用法</title>
</head>
<body>
<div id="content">
    <ul id="useful">
        <li>这是第一条信息</li>
        <li>这是第二条信息</li>
        <li>这是第三条信息</li>
    </ul>
    <ul id="useless">
        <li>不需要的信息1</li>
        <li>不需要的信息2</li>
        <li>不需要的信息3</li>
    </ul>

    <div id="url">
        <a href="http://jikexueyuan.com">极客学院</a>
        <a href="http://jikexueyuan.com/course/" title="极客学院课程库">点我打开课程库</a>
    </div>
</div>

</body>
</html>

使用正则表达式匹配时,使用先抓大后抓小原则,先匹配ul标签,在匹配的结果中再匹配li标签,需要使用多行代码才能实现;

使用XPath匹配时,只需要一行代码即可实现:


2 获取网页元素的XPath

2.1 手动分析法

html -> body -> div -> ul[@useful] -> li

2.2 Chrome生成法

右击页面点击审核元素 -> 对想要的信息的一行(“这是第一条信息”)右击点击Copy Xpath -> 粘贴到记事本,内容是//*[@id="useless"]/li[1]

其中,id="useless"对应标签<ul id="useful">;又因为整个源代码只有一处id="useful",因此只是用id即可,不用指定标签,使用*代替;li[1]只代表第一条信息,若想要所有信息,需要li,则以列表形式返回;//表示从什么地方开始,


3 应用Xpath提取内容

//定位根节点

/往下层寻找

/text()提取文本内容

/@XXX提取XXX属性内容

#-*-coding:utf8-*-
import lxml
from lxml import etree
html = '''
<!DOCTYPE html>
<html>
<head lang="en">
    <meta charset="UTF-8">
    <title>测试-常规用法</title>
</head>
<body>
<div id="content">
    <ul id="useful">
        <li>这是第一条信息</li>
        <li>这是第二条信息</li>
        <li>这是第三条信息</li>
    </ul>
    <ul id="useless">
        <li>不需要的信息1</li>
        <li>不需要的信息2</li>
        <li>不需要的信息3</li>
    </ul>

    <div id="url">
        <a href="http://jikexueyuan.com">极客学院</a>
        <a href="http://jikexueyuan.com/course/" title="极客学院课程库">点我打开课程库</a>
    </div>
</div>

</body>
</html>
'''

# 转化成被xpath识别和匹配的对象,并赋值给Selector变量 
selector = etree.HTML(html)

#提取文本
content = selector.xpath('//ul[@id="useful"]/li/text()')
# 限定id="useful"属于ul标签
# content = selector.xpath('//ul/li/text()')获取的内容有需要的和不需要的
# 因为ul标签里的id="useful"是独一无二的,可直接寻找;但保险写法是content=Selector.xpath('//div[@id="content"]/ul[@id="useful"/li/text()]')
for each in content:
    print each

print

#提取属性href
link = selector.xpath('//a/@href')
# 保险写法link=Selecotr.xpath('//div[@id="url"]/a/@href')
for each in link:
    print each

print

#提取属性title
title = selector.xpath('//a/@title')
print title[0]

运行程序:

这是第一条信息
这是第二条信息
这是第三条信息


http://jikexueyuan.com
http://jikexueyuan.com/course/


极客学院课程库


三、神器XPath的特殊用法

1 以相同的字符开头

使用start-with(@属性名称, 属性字符相同部分);

用以处理如下形式:

#-*-coding:utf8-*-
from lxml import etree

html1 = '''
<!DOCTYPE html>
<html>
<head lang="en">
    <meta charset="UTF-8">
    <title></title>
</head>
<body>
    <div id="test-1">需要的内容1</div>
    <div id="test-2">需要的内容2</div>
    <div id="testfault">需要的内容3</div>
</body>
</html>
'''
# 想要提取这三部分内容,而其id内容是不同的,但前4个字符都是test
# 使用正则表达式也可以提取,但需要对其分别识别,即使用三行代码才能实现
# 而是用xpath只需要一行代码就可解决

selector=etree.HTML(html1)
content=selector.xpath('//div[starts-with(@id,"test")]/text()')
# 提取在id属性值以test开头的所有div标签,并以列表形式返回
for each in content:
	print each

执行结果:

需要的内容1
需要的内容2
需要的内容3



2 标签套标签

使用string(.)过滤多余标签;

用以处理如下形式,想要提取整个内容:

    <div id="test3">
        我左青龙,
        <span id="tiger">
            右白虎,
            <ul>上朱雀,
                <li>下玄武。</li>
            </ul>
            老牛在当中,
        </span>
        龙头在胸口。
    </div>

2.1 先结合上节知识进行匹配:

#-*-coding:utf8-*-
from lxml import etree

html2 = '''
<!DOCTYPE html>
<html>
<head lang="en">
    <meta charset="UTF-8">
    <title></title>
</head>
<body>
    <div id="test3">
        我左青龙,
        <span id="tiger">
            右白虎,
            <ul>上朱雀,
                <li>下玄武。</li>
            </ul>
            老牛在当中,
        </span>
        龙头在胸口。
    </div>
</body>
</html>
'''

selector=etree.HTML(html2)
content=selector.xpath('//div[@id="test3"]/text()')
for each in content:
	print each

执行结果:

结果只提取了第一句和最后一句内容;

用此方法只能提取div标签直接的文字内容,无法提取div标签内其他标签的直接内容。

        我左青龙,
        


        龙头在胸口。

2.2 再用string(.)进行匹配:

#-*-coding:utf8-*-
from lxml import etree

html2 = '''
<!DOCTYPE html>
<html>
<head lang="en">
    <meta charset="UTF-8">
    <title></title>
</head>
<body>
    <div id="test3">
        我左青龙,
        <span id="tiger">
            右白虎,
            <ul>上朱雀,
                <li>下玄武。</li>
            </ul>
            老牛在当中,
        </span>
        龙头在胸口。
    </div>
</body>
</html>
'''

# 使用先大后小的方法,首先提取id属性为test3的div标签,对返回的元素继续使用xpath
selector=etree.HTML(html2)
data=selector.xpath('//div[@id="test3"]')[0]
info=data.xpath('string(.)')
content=info.replace('\n','').replace(' ','')
print content

执行结果:

我左青龙,右白虎,上朱雀,下玄武。老牛在当中,龙头在胸口。




四、Python并行化介绍与演示

1 Python并行化介绍

多个线程同时处理任务,更加高效、快速;


2 map的使用

map函数一手包办了序列操作、参数传递和结果保存等一系列的操作;

首先导入Pool类,再实例化Pool,然后指定爬取函数即网址列表进行并行化处理:

from multiprocessing.dummy immport Pool
pool = Pool(4) # 表示四核
results = pool.map(爬取函数名, 网址列表)

举例:

#-*-coding:utf8-*-

from multiprocessing.dummy import Pool as ThreadPool
# 导入Pool类,并重命名为ThreadPool
import requests
import time

def getsource(url):
    html = requests.get(url)

urls = []

for i in range(1,21):
    newpage = 'http://tieba.baidu.com/p/3522395718?pn=' + str(i)
    urls.append(newpage)

time1 = time.time() # 开始计时
for i in urls:
    print i
    getsource(i)
time2 = time.time() # 结束计时
print u'单线程耗时:' + str(time2-time1)

pool = ThreadPool(4)
time3 = time.time()
results = pool.map(getsource, urls)
pool.close()
pool.join()
time4 = time.time()
print u'并行耗时:' + str(time4-time3)

运行结果:

单线程耗时:9.08299994469
并行耗时:2.625




五、实战——百度贴吧爬虫

1 目标网站

http://tieba.baidu.com/p/3522395718

2 目标内容

前20页的跟帖用户名、跟帖内容、跟帖时间

3 涉及知识点

requests获取网页源代码、xpath获取网页内容、map实现多线程爬虫


4 步骤

1‘ 确定爬虫内容目标网站

点击以上网站转到该帖吧的首页,点击下一页时网站更改为:http://tieba.baidu.com/p/3522395718?pn=2

由此确定前20页的网站为:http://tieba.baidu.com/p/3522395718?pn=<num>,其中<num>取值为1~20;

2’ 使用Chrome的审核元素功能确定爬取内容的位置

点击左侧放大镜,鼠标移至要爬取的内容(这里指“跟帖内容”)并点击,审核元素自动定位到相应位置;

右击拷贝XPath,粘贴至文本中,观察到其中的"62866844122"在每个跟帖内容都不一样,因此无法使用现成的XPath作为定位标志进行匹配;

//*[@id="post_content_62866844122"]

只能观察并获取要爬取内容的对应路径,折叠代码发现每个跟帖信息都在class属性值为"l_post j_l_post l_post_bright "div的标签的中;

跟帖用户名、跟帖时间分别在上述div标签中data-field属性中的author的user_name中和content的date中;

跟帖内容在上述标签的元素子节点class属性值为"d_post_content_main"的元素子节点div标签下的元素子节点cc标签下的元素子节点class属性值为"d_post_content j_d_post_content clearfix"下的文本内容;

3’ 编程前注意事项

data-field保存的数据是JSON格式,需要导入json模块进行JSON解析;

(也可以使用正则表达式解析)


5 代码

#-*-coding:utf8-*-
from lxml import etree   #使用xpath进行定位
from multiprocessing.dummy import Pool as ThreadPool   # 使用map进行并行化处理
import requests
import json   # 百度贴吧的data-field属性值是用json,需要使用json模块进行解析,也可用正则表达式解析
import sys
reload(sys)
sys.setdefaultencoding('utf-8')

'''重新运行之前请删除content.txt,因为文件操作使用追加方式,会导致内容太多。'''

# 将爬取的内容写入content.txt文件中
# 注意!!!对于显示内容,需要进行单步调试确定当前数据格式,如有必要需要转换
def towrite(contentdict):
    f.writelines(u'回帖时间:' + contentdict['topic_reply_time'] + '\n')
    f.writelines(u'回帖内容:' + contentdict['topic_reply_content'] + '\n')
    f.writelines(u'回帖人:' + contentdict['user_name'] + '\n\n')

# 爬取函数
def spider(url):
    html = requests.get(url)   # 获取url
    selector = etree.HTML(html.text)     # 使用etree.HTML转换成XPath可处理的对象
    # 使用XPath获取一整个div,即先抓大
    content_field = selector.xpath('//div[@class="l_post j_l_post l_post_bright  "]')
    item = {}   # 字典,爬取的内容放入该字典中
    for each in content_field:
        # 先将述标签复制元素并粘贴到文本中,对于要爬取的data-field数据,将'"'替换为空
        # 因为data-field数据是JSON格式,因此需要使用json.loads()将JSON格式解析成字典格式
        reply_info = json.loads(each.xpath('@data-field')[0].replace('"',''))
        author = reply_info['author']['user_name']
        reply_time = reply_info['content']['date']
        content = each.xpath('div[@class="d_post_content_main"]/div/cc/div[@class="d_post_content j_d_post_content  clearfix"]/text()')[0]
        print content
        print reply_time
        print author
        item['user_name'] = author
        item['topic_reply_content'] = content
        item['topic_reply_time'] = reply_time
        towrite(item)

if __name__ == '__main__':
    pool = ThreadPool(4)
    f = open('content.txt','a')
    page = []
    for i in range(1,21):
        newpage = 'http://tieba.baidu.com/p/3522395718?pn=' + str(i)
        page.append(newpage)

    results = pool.map(spider, page)
    pool.close()
    pool.join()
    f.close()


6 涉及知识点总结

6.1 多进程的使用

6.1.1 导入进程池Pool

from multiprocessing.dummy import Pool as ThreadPool 

6.1.2 实例化Pool

pool=ThreadPool(4)    # 4代表共有4个进程进行处理,要根据自己电脑的配置,双核填2,四核填4

6.1.3 多进程处理

pool.map(函数名, 参数列表)

6.1.4 关闭进程池Pool

pool.close();       # 等待进程池中的进程执行完毕再关闭进程池
pool.terminate();   # 直接关闭进程池

6.1.5 防止主进程在进程结束前结束

pool.join();

6.2 JSON

6.2.1 序列化

序列化:将对象的状态信息转化为可以存储或可以通过网络传输的过程,传输格式可以使JSON、XML等;

反序列化:从存储区域(JSON、XNL)读取反序列化对象的状态,重新创建该对象。

6.2.2 JSON

JSON ( JavaScript Object Notation )是一种轻量级数据交换格式,相对于XNL更简单,也易于阅读和编写,机器也方便解析和生成,

JSON构建于2种结构:

a ”名称/值“对的集合

b 值的有序列表

6.2.3 编码与解码

a 编码Encoding

概念:把一个Python对象编码转换为JSON字符串

方法:json.dumps()

转换规律:

Python JSON
dictionary object
list, tuple array
string, unicode string
int, long, float number
True true
False false
Node null


b 解码Decoding

概念:把JSON格式字符串解码转换为Python对象

方法:json.loads()

转换规律:

JSON Python
object dictionary
array list
string unicode
number (int) int, long
number (real) float
true/ false True/ False
null None

 6.2.4 可选参数

dumps方法提供一些可选参数,使输出格式更具有可读性;

a sort_keys参数

含义:使编码器按照字典排序(a到z)输出

举例:

import json

data = [ { 'a':'A', 'b':(2, 4), 'c':3.0 } ]
print 'DATA:', repr(data)

unsorted = json.dumps(data)
print 'JSON:', json.dumps(data)
print 'SORT:', json.dumps(data, sort_keys=True)

输出:

DATA: [{'a': 'A', 'c': 3.0, 'b': (2, 4)}]
JSON: [{"a": "A", "c": 3.0, "b": [2, 4]}]
SORT: [{"a": "A", "b": [2, 4], "c": 3.0}]

注意:repr()内置函数是对Python友好,返回参数在Python中的描述。

b indent参数

含义:根据数据格式缩进显示

举例:

import json

data = [ { 'a':'A', 'b':(2, 4), 'c':3.0 } ]
print 'DATA:', repr(data)

print 'NORMAL:', json.dumps(data, sort_keys=True)
print 'INDENT:', json.dumps(data, sort_keys=True, indent=2)

输出:

DATA: [{'a': 'A', 'c': 3.0, 'b': (2, 4)}]
NORMAL: [{"a": "A", "b": [2, 4], "c": 3.0}]
INDENT: [
{
"a": "A",
"b": [
2,
4
],
"c": 3.0
}
]

c separators参数

含义:去掉','和':'后面的空格

举例:

import json

data = [ { 'a':'A', 'b':(2, 4), 'c':3.0 } ]
print 'DATA:', repr(data)
print 'repr(data)             :', len(repr(data))
print 'dumps(data)            :', len(json.dumps(data))
print 'dumps(data, indent=2)  :', len(json.dumps(data, indent=2))
print 'dumps(data, separators):', len(json.dumps(data, separators=(',',':')))

输出:

DATA: [{'a': 'A', 'c': 3.0, 'b': (2, 4)}]
repr(data) : 35
dumps(data) : 35
dumps(data, indent=2) : 76
dumps(data, separators): 29


6.3 XPath

语法:

import requests
# 从lxml模块中导入etree类
from lxml import etree

url='网站地址'
html=requests.get(url)

# 将获取到的源代码对象html转换成可被XPath识别和匹配的对象
Selector=etree.HTML(html)

# 使用xpath方法进行文本匹配
content=Selector.xpath('参数')


--------------------------------------------

课程总结:

使用Xpath提取网页内容

使用map实现多线程爬虫


b
不知道
不知道
3
0
查看评论

Python爬虫学习笔记(3)-XPath与多线程爬虫

Python爬虫学习笔记(3)-XPath与多线程爬虫标签(空格分隔): python 多线程 爬虫
  • SkyeyesXY
  • SkyeyesXY
  • 2016-03-09 19:35
  • 3707

xpath与多线程爬虫

一.  Xpath的介绍与配置 1.      XPath是什么 XPath是一门语言 XPath可以在XML文档中查找信息 XPath支持HTML XPath通过元素和属性进行导航 ...
  • qq_37634812
  • qq_37634812
  • 2017-08-28 10:43
  • 86

爬虫 XPath

安装 pip install lxml 这样应该是装不上的,去手动吧 Error:ImportError: DLL load failed: %1 不是有效的 Win32 应用程序。 这个是因为你安装了64位的python,然后安装32位的模块,或者你安装了32位的py...
  • u014015972
  • u014015972
  • 2016-01-19 14:01
  • 5339

python3 [入门基础实战] 爬虫入门之xpath爬取脚本之家python栏目

这次爬取的确实有些坎坷,经过了两个晚上吧,最后一个晚上还是爬取数据到最后一公里了,突然报错了。又得继续重新进行爬取先来个爬取结果图,这次爬取的是标题,url,还有日期,估计也就只有这么多内容,用的单线程, 爬取结果: 爬取的过程很蛋疼,最后是昨天晚上爬取出来的,下次争取不用单线程进行任务...
  • snake_son
  • snake_son
  • 2017-06-29 23:46
  • 1004

XPath与多线程爬虫学习

XPath与多线程爬虫学习什么是XPath XPath是一门语言 XPath可以在XML文档中查找信息 XPath支持HTML XPath通过元素和属性进行导航 XPath可以用来提取信息 XPath比正则表达式厉害 XPath比正则表达式简单 XPath的使用XPath与HTML结构 树状结构 逐...
  • benhuo931115
  • benhuo931115
  • 2016-10-14 22:34
  • 579

python之xpath爬虫

#coding=utf-8 from lxml import etree import sys import chardet import  codecs reload(sys) sys.setdefaultencoding("utf-8") html=u'&#...
  • lotluck
  • lotluck
  • 2015-09-15 07:26
  • 869

XPath与lxml库介绍及爬虫案例

XPath与lxml库介绍及爬虫案例XPath介绍XPath(XML Path Language)是一门在XML文档中查找信息的语言,可用来在XML文档中对元素和属性进行遍历。XPath的节点XPath的节点有7种类型:文档节点,元素节点,属性节点,文本节点,命名空间节点,处理指令节点,注释节点。对...
  • qq_33689414
  • qq_33689414
  • 2017-11-16 17:24
  • 493

go 简单爬虫

通过xpath使用sqlitepackage mainimport ( "database/sql" "fmt" "io/ioutil" "log" "net/http&...
  • u013431985
  • u013431985
  • 2016-02-02 11:04
  • 883

xpath: Python网页爬虫定位辅助利器

网页爬虫可以使用Python的正则模块(re), 当然我今天要隆重推荐的是xpath. xpath需要安装xpath的基础包:lxml 首先看一个例子:(爬取果壳的最新推荐文章列表) import requests from lxml import etreeurl = 'http:/...
  • wenkang314
  • wenkang314
  • 2015-09-07 15:42
  • 2127

用python写网络爬虫-使用xpath代替正则表达式

学习使用xpath代替正则表达式,首先得了解xpath语法
  • Joliph
  • Joliph
  • 2017-08-09 18:10
  • 174
    个人资料
    • 访问:173055次
    • 积分:4177
    • 等级:
    • 排名:第8740名
    • 原创:262篇
    • 转载:66篇
    • 译文:0篇
    • 评论:35条