第五周——爬虫入门 Day1 7.25

学习时间：9:00——11:00           16:00——18:00

Xpath解析：最常用且最便捷高效的一种解析方式。

Xpath解析原理：

1. 实例化一个etree的对象，且需要将被解析的页面源码数据加载到该对象中。
2. 调用etree对象中的xpath方法结合着xpath表达式实现标签的定位和内容的捕获。

lxml是一种解析器，在xpath爬取前安装。

如何实例化一个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掩码数据加载到对象当中。etree.HTML('page_text')

xpath是根据层级关系去做的标签定位。从根节点（根目录：最外层标签的节点）逐步递归找到我们所要查找的内容。最终所返回的将是一个列表，列表当中存储的是我们所查找的节点，返回的并不是文档内容，而是一个Element对象当中进行的一个存储。而如果当我们所查找的标签为多个时，所返回的内容也是多个Element类型的对象，想要获取文本就在后面加上/text()

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，表示从任意位置开始定位。
• 属性定位：//div[@class=’song‘] 格式为：tag[@attrName='value']
• 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()获取的是非直系的文本内容（所有文本内容）
• 取属性：/@attrName：直接/@加上属性名称（eg：img/@src）

项目实践：58二手房房源信息

import requests

header = {'User-Agent':'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/101.0.4951.41 Safari/537.36 Edg/101.0.1210.32'}
url = 'https://bj.58.com/ershoufang/'
page_text = requests.get(url,headers=header).text
tree = etree.HTML(page_text)
div_list = tree.xpath('//section[@class="list"]/div[@class="property"]')
fp = open('58.txt','w',encoding='utf-8')
for div in div_list:
    title = div.xpath('./a/div[2]/div/div/h3/text()')[0]
    print(title)
    fp.write(title+'\n')

项目实践：4k图片

from lxml import etree
import requests
import os

header = {'User-Agent':'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/101.0.4951.41 Safari/537.36 Edg/101.0.1210.32'}
url = 'https://pic.netbian.com/4kyingshi/'

if not os.path.exists('./piclibs'):
    os.mkdir('piclibs')

response = requests.get(url=url,headers=header)
response.encoding = 'gbk'
page_text = response.text
tree = etree.HTML(page_text)
li_list = tree.xpath('//div[@class="slist"]/ul/li')

for li in li_list:
   img_src = 'https://pic.netbian.com'+li.xpath('./a/img/@src')[0]
   img_name = li.xpath('./a/img/@alt')[0]+'.jpg'
   img_name = img_name.encode('iso-8859-1').decode('gbk')
   print(img_name,img_src)
   img_data = requests.get(url=img_src,headers=header).content
   img_path = 'piclibs/'+img_name
   with open(img_path,'wb') as fp:
       fp.write(img_data)
       print(img_name,'下载成功！！')