爬虫学习（三）

前言

上篇文章我们使用了原生正则表达式来解析网页，这次我们使用xpath来解析网页

正文

安装xpath

pip install lxml

开始xpath

• 使用Xpath需要从lxml库中导入etree模块，还需使用HTML类对需要匹配的HTML对象进行初始化。HTML类的基本语法格式如下。

  lxml.etree.HTML(text, parser=None, *, base_url=None)
  

  参数名称	说明
  text	接收str。表示需要转换为HTML的字符串。无默认值
  parser	接收str。表示选择的HTML解析器。无默认值
  base_url	接收str。表示设置文档的原始URL，用于在查找外部实体的相对路径。默认为None

• Xpath使用类似正则的表达式来匹配HTML文件中的内容，常用匹配表达式如下。

  表达式	说明
  nodename	选取nodename节点的所有子节点
  /	从当前节点选取直接子节点
  //	从当前节点选取子孙节点
  .	选取当前节点
  …	选取当前节点的父节点
  @	选取属性

• Xpath中的谓语用来查找某个特定的节点或包含某个指定的值的节点，谓语被嵌在路径后的方括号中，如下。

表达式	说明
/html/body/div[1]	选取属于body子节点下的第一个div节点
/html/body/div[last()]	选取属于body子节点下的最后一个div节点
/html/body/div[last()-1]	选取属于body子节点下的倒数第二个div节点
/html/body/div[positon()<3]	选取属于body子节点下的下前两个div节点
/html/body/div[@id]	选取属于body子节点下的带有id属性的div节点
/html/body/div[@id=”content”]	选取属于body子节点下的id属性值为content的div节点
/html /body/div[xx>10.00]	选取属于body子节点下的xx元素值大于10的节点

• Xpath中还提供功能函数进行模糊搜索，有时对象仅掌握了其部分特征，当需要模糊搜索该类对象时，可使用功能函数来实现，具体函数如下。

功能函数	示例	说明
starts-with	//div[starts-with(@id,”co”)]	选取id值以co开头的div节点
contains	//div[contains(@id,”co”)]	选取id值包含co的div节点
and	//div[contains(@id,”co”)andcontains(@id,”en”)]	选取id值包含co和en的div节点
text()	//li[contains(text(),”first”)]	选取节点文本包含first的div节点

了解了xpath，现在开始编写程序

• 需求: 还是和上一篇一样，只是今天我们需要把每篇新闻的文字正文保存到本地

• 我们先用浏览器的调试工具获取一下某个元素的xpath测试一下

  • 审查元素后->右键->copy->copy xpath

  [外链图片转存失败(img-XGDA9UJY-1564032836940)(https://raw.githubusercontent.com/kevinlu98/cloudimg/master/data/QQ20190725-114955@2x.png)]
  得到结果

  //*[@id="js_index2017_wrap"]/div[2]/div[2]/div[4]/div[1]/div[2]/div/div/div/div[1]/div[1]/div[2]/ul[1]/li[1]/a
  

  我们可以结合上面过于xpath用法的表来看看这个xpath大家能理解不
  我们加上text()获取一下标签内的文本

  //*[@id="js_index2017_wrap"]/div[2]/div[2]/div[4]/div[1]/div[2]/div/div/div/div[1]/div[1]/div[2]/ul[1]/li[1]/a/text()
  

• 测试程序

  # @File:    code04.py
  # @Author:  lengwen
  # @Time:    2019-07-25 11:37
  # @Desc:    xpath测试程序
  
  
  import requests
  
  from lxml import etree
  url = 'http://www.163.com'
  resp = requests.get(url)
  # 初始化etree  转换为xpath
  html_etree = etree.HTML(resp.text, parser=etree.HTMLParser(encoding='utf-8'))
  # 使用xpath获取内容
  result1 = html_etree.xpath('//*[@id="js_index2017_wrap"]/div[2]/div[2]/div[4]/div[1]/div[2]/div/div/div/div[1]/div[1]/div[2]/ul[1]/li[1]/a/text()')
  print(result1)
  

  • 结果
    [外链图片转存失败(img-QNMuXDVE-1564032836942)(https://raw.githubusercontent.com/kevinlu98/cloudimg/master/data/QQ20190725-115542@2x.png)]

• 接下来进入正题，我们先找到新闻链接的位置，这次我们就不使用浏览器的调试工具直接获取xpath了，因为大家开始看到那个xpath太长了

  [外链图片转存失败(img-7vIRt5DM-1564032836943)(https://raw.githubusercontent.com/kevinlu98/cloudimg/master/data/QQ20190725-115955@2x.png)]

  • 根据xpath规则和我们昨天找到的共性我们构建出xpath

  //div[@class="news_default_yw"]/ul/li/a[starts-with(@href,"https://news.163.com/")]/@href
  

  • 这样我们现在得到了所以新闻的URL
  • 然后我们将它保存到本地，方便后面使用
  • 编写程序

    # @File:    code05.py
    # @Author:  lengwen
    # @Time:    2019-07-25 12:01
    # @Desc:    xpath正式开始
    
    import requests
    
    from lxml import etree
    
    url = 'http://www.163.com'
    resp = requests.get(url)
    # 初始化etree  转换为xpath
    html_etree = etree.HTML(resp.text, parser=etree.HTMLParser(encoding='utf-8'))
    # 构建xpath
    result_url_list = html_etree.xpath(
        '//div[@class="news_default_yw"]/ul/li/a[starts-with(@href,"https://news.163.com/")]/@href')
    # 以写的方式打开url_list.txt这个文件
    with open('./url_list.txt', 'w') as f:
        for i in result_url_list:
            print(i)
            f.write(i + "\n")
    

  • 结果
    [外链图片转存失败(img-EDJS4MWh-1564032836943)(https://raw.githubusercontent.com/kevinlu98/cloudimg/master/data/QQ20190725-122248@2x.png)]

接下来我们该爬取每个新闻的文字正文了

• 随便点进去一个链接可以看到文章的正文都在div.post_text>p中，也就是我们构建xpath渠道div.post_text下的所有p的文字就可以了

• 构建xpath

  //div[@class="post_text"]/p/text()
  

• 先看一段调试程序

  # @File:    code06.py
  # @Author:  lengwen
  # @Time:    2019-07-25 12:26
  # @Desc:    爬取新闻
  
  import requests
  from lxml import etree
  
  with open('./url_list.txt') as f:
      url = f.readline()
      resp = requests.get(url)
      html_etree = etree.HTML(resp.text, parser=etree.HTMLParser(encoding='utf-8'))
      text = html_etree.xpath('//div[@class="post_text"]/p/text()')
      for i in text:
          print(i)
  

  没有注释大家应该也能看懂了

• 结果
  [外链图片转存失败(img-YE3RaXgb-1564032836944)(https://raw.githubusercontent.com/kevinlu98/cloudimg/master/data/QQ20190725-123346@2x.png)]

• 然后我们只需要加上循环，以及将爬取下来的内容保存就可以了

• 接下来看程序

  # @File:    code06.py
  # @Author:  lengwen
  # @Time:    2019-07-25 12:26
  # @Desc:    爬取新闻
  
  import requests
  from lxml import etree
  import os
  
  # 创建一个文件夹用于保存新闻
  file_dir = 'news'
  # 判断文件夹是否存在，不存在则创建
  if not os.path.exists(file_dir):
      os.mkdir(file_dir)
  
  with open('./url_list.txt') as f:
      # 按行读取文件
      url = f.readline()
      while url:
          resp = requests.get(url)
          html_etree = etree.HTML(resp.text, parser=etree.HTMLParser(encoding='utf-8'))
          text = html_etree.xpath('//div[@class="post_text"]/p/text()')
          # 获取标题作为文件名
          title = html_etree.xpath('//title/text()')
          print(title, '保存完成')
          with open(os.path.join(file_dir, title[0] + '.txt'), 'w') as fw:
              for i in text:
                  fw.write(i + '\n')
          url = f.readline()
  
  

• 结果
  [外链图片转存失败(img-JXVz9A39-1564032836945)(https://raw.githubusercontent.com/kevinlu98/cloudimg/master/data/QQ20190725-124520@2x.png)]
  [外链图片转存失败(img-0bK1HWFL-1564032836946)(https://raw.githubusercontent.com/kevinlu98/cloudimg/master/data/QQ20190725-124540@2x.png)]

关于xpath的部分到此结束