爬虫入门教程（一）———requests与xpath简介

前言：
本博客为python爬虫入门教程，学习需前初步了解python基本语法，http协议

一：requests
requests最常用的两个方法，对应http协议的get和post

requests.get(url)
requests.post(url, datas = data)

获取html文本: requests.get(url).text

二：xpath
1.简介
用来解析网页，提取你想要的内容
最简单的方法为选中后右键检查，再右键copy选xpath，但很多时候会有问题存在，提取到空内容，所以最好还是自学一下xpath语法。
// ：查找所有html文本中符合条件的
/ ：在当前节点的子节点里面查找
text() ：提取文本
@ ：提取元素

举例如下：

<bookstore>

<book>
  <title lang="edc">Harry Potter</title>
  <price>29.99</price>
</book>

<book>
  <title lang="eng">Learning XML</title>
  <price>39.95</price>
</book>
</bookstore>

如要提取价格，写为//price/text()或者/bookstore/book/price/text()
提取lang元素，写为//price/@lang或者/bookstore/book/price/@lang
当有多个title标签容易混淆时，可以这样写//title[@lang=“edc”]/text(),这样就提取了Harry Potter。若直接写//title/text(),则两本书名都提取。
2.用法

res = requests.get(url)
html = etree.HTML(res.text)
aim = html.xpath('填入你想爬取的内容对应的xpath')

三：举例
爬取蚂蜂窝的游记标题，并打印输出

import requests
from lxml import etree
header = {'user-agent':'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/63.0.3239.26 Safari/537.36 Core/1.63.6788.400 QQBrowser/10.3.2888.400'}
url = 'http://www.mafengwo.cn/i/11243250.html' #蚂蜂窝的一篇游记
res = requests.get(url,headers = header)
html = etree.HTML(res.text)
title = html.xpath('//div[@class="vi_con"]/h1/text()')
print(title)

header为浏览器信息，加上后将自己伪装成浏览器，才能访问该网址，这是最常见的反爬虫策略
下一篇博客将介绍爬取蚂蜂窝游记图片并保存在本地，电脑壁纸get