xpath工具(解析)
1、xpath
在XML文档中查找信息的语言,同样适用于HTML文档检索
2、xpath辅助工具
1、Chrome插件 :Xpath Helper
1、打开/关闭 :Ctrl + Shift + x
2、Firefox插件 :Xpath checker
3、Xpath表达式编辑工具 :XML Quire
3、Xpath匹配规则
1、匹配演示
1、匹配bookstore下所有节点 :/bookstore
2、查找所有的book节点 ://book
3、查找/bookstore下的book节点 :/bookstore/book
4、查找所有book节点下的title节点中,lang属性值为 "en" 的节点 : //book/title[@lang="en"]
5、查找bookstore下的第2个book节点下的title节点
/bookstore/book[2]/title/text()
2、选取节点
/ :从根节点开始选取
//:从整个文档中查找节点
//price、/bookstore/book//price
@ :选取某个节点
//div[@class="movie-info"]/a[@class="name"]
@ :获取某个节点的属性值
获取所有book下的title节点的lang属性值
//book/title/@lang
<a src="http://kdjfladjl.jpg">
3、匹配多路径
1、符号 : |
2、获取所有book节点下的title节点和price节点
//book/title | //book/price
4、函数
1、contains()
匹配1个属性值中包含某个字符串的节点
所有的title节点中lang属性值包含"ch"的节点
//title[contains(@lang,"ch")]
2、text()
//title[contains(@lang,"ch")]/text()
lxml库及xpath使用
1、lxml库 :HTML/XML解析库
1、Anaconda :conda install lxml
2、Windows cmd:python -m pip install lxml
3、Ubuntu :sudo pip3 install lxml
2、使用流程
1、导入模块 :from lxml import etree
2、创建解析对象 :parseHtml = etree.HTML(html)
3、调用xpath
r_list = parseHtml.xpath('xpath表达式')
4、如何获取节点对象的文本内容
节点对象名.text
抓取百度贴吧中所有帖子里的图片
import requests
from lxml import etree
import urllib.parse
class ImageSpider:
def __init__(self):
self.headers = {"User-Agent":"Mozilla/4.0 (compatible; MSIE 8.0; Windows NT 6.0; Trident/4.0)"}
self.baseurl = ""
# 获取所有帖子URL列表
def getPageUrl(self,url):
# 获取校花吧页面的html
res = requests.get(url,headers=self.headers)
res.encoding = "utf-8"
html = res.text
# 提取页面中所有帖子的URL
parseHtml = etree.HTML(html)
t_list = parseHtml.xpath('//div[@class="t_con cleafix"]/div/div/div/a/@href')
for t_link in t_list:
t_url = "http://tieba.baidu.com" + t_link
self.getImageUrl(t_url)
# 获取每个帖子中图片的URL列表
def getImageUrl(self,t_url):
# 获取1个帖子的响应html
res = requests.get(t_url,headers=self.headers)
res.encoding = "utf-8"
html = res.text
# 从html响应中获取图片URL列表
parseHtml = etree.HTML(html)
img_list = parseHtml.xpath('//div[@class="d_post_content j_d_post_content clearfix"]/img/@src')
for img_link in img_list:
self.writeImage(img_link)
# 保存图片
def writeImage(self,img_link):
# 获取每个图片的二进制
res = requests.get(img_link,headers=self.headers)
res.encoding = "utf-8"
html = res.content
# 保存到本地(以图片链接的后12位作为文件名)
filename = img_link[-8:]
with open(filename,"wb") as f:
f.write(html)
print(filename,"下载成功")
# 主函数
def workOn(self):
name = input("请输入贴吧名:")
begin = int(input("请输入开始页:"))
end = int(input("请输入结束页:"))
for pn in range(begin,end+1):
# 拼接贴吧页面URL
pn = (pn-1)*50
kw = {"kw":name}
kw = urllib.parse.urlencode(kw)
fullurl = \
"http://tieba.baidu.com/f?" + \
kw + "&pn=" + str(pn)
# 直接调类内函数
self.getPageUrl(fullurl)
if __name__ == "__main__":
spider = ImageSpider()
spider.workOn()
1、目标 :指定贴吧的所有图片
2、思路
1、获取贴吧主页URL,下一页:找URL规律
2、获取1页中每个帖子的URL
['帖子链接1','','','']
3、For循环遍历2中列表,发请求,提取帖子中图片链接
["图片链接1","图片链接2","","",""]
4、For循环遍历3中列表,发请求,以wb方式保存本地
3、步骤
1、获取贴吧主页URL
http://tieba.baidu.com/f? + 查询参数
2、(xpath)提取页面中所有帖子的URL
src : 完整链接
href : 需要和主URL进行拼接
http://tieba.baidu.com + /p/5960551987
'//div[@class="t_con cleafix"]/div/div/div/a/@href'
3、匹配1个帖子中所有图片的URL
'//div[@class="d_post_content j_d_post_content clearfix"]/img/@src'
抓取百度贴吧中帖子里的视频和图片
import requests
from lxml import etree
import urllib.parse
class ImageSpider:
def __init__(self):
self.headers = {"User-Agent":"Mozilla/4.0 (compatible; MSIE 8.0; Windows NT 6.0; Trident/4.0)"}
self.baseurl = ""
# 获取所有帖子URL列表
def getPageUrl(self,url):
# 获取校花吧页面的html
res = requests.get(url,headers=self.headers)
res.encoding = "utf-8"
html = res.text
# 提取页面中所有帖子的URL
parseHtml = etree.HTML(html)
t_list = parseHtml.xpath('//div[@class="t_con cleafix"]/div/div/div/a/@href')
for t_link in t_list:
t_url = "http://tieba.baidu.com" + t_link
self.getImageUrl(t_url)
# 获取每个帖子中图片的URL列表
def getImageUrl(self,t_url):
# 获取1个帖子的响应html
res = requests.get(t_url,headers=self.headers)
res.encoding = "utf-8"
html = res.text
# 从html响应中获取图片URL列表
parseHtml = etree.HTML(html)
img_list = parseHtml.xpath('//div[@class="d_post_content j_d_post_content clearfix"]/img/@src | //embed/@data-video')
for img_link in img_list:
self.writeImage(img_link)
# 保存图片
def writeImage(self,img_link):
# 获取每个图片的二进制
res = requests.get(img_link,headers=self.headers)
res.encoding = "utf-8"
html = res.content
# 保存到本地(以图片链接的后12位作为文件名)
filename = img_link[-8:]
with open(filename,"wb") as f:
f.write(html)
print(filename,"下载成功")
# 主函数
def workOn(self):
name = input("请输入贴吧名:")
begin = int(input("请输入开始页:"))
end = int(input("请输入结束页:"))
for pn in range(begin,end+1):
# 拼接贴吧页面URL
pn = (pn-1)*50
kw = {"kw":name}
kw = urllib.parse.urlencode(kw)
fullurl = \
"http://tieba.baidu.com/f?" + \
kw + "&pn=" + str(pn)
# 直接调类内函数
self.getPageUrl(fullurl)
if __name__ == "__main__":
spider = ImageSpider()
spider.workOn()
1、视频xpath表达式
//div[@class="video_src_wrapper"]/div/video/@src
注意
1、xpath表达式在网页中可匹配但在程序中是空列表
1、User-Agent :最好换为IE浏览器
2、把页面下载下来,再分析
案例 :糗事百科-xpath
1、目标 :用户昵称、段子内容、好笑数量、评论数量
2、步骤
1、找URL
https://www.qiushibaike.com/8hr/page/1/
2、xpath表达式
1、基准的xpath表达式(每个段子的节点对象)
//div[contains(@id,"qiushi_tag_")]
2、for element in [段子节点对象列表]:
用户昵称 :'./div/a/h2'
段子内容 :'.//div[@class="content"]/span'
好笑数量 :'.//i'
评论数量 :'.//i'
3、写代码
import requests
import pymongo
from lxml import etree
class QiushiSpider:
def __init__(self):
self.headers = {"User-Agent":"Mozilla/5.0"}
# 连接对象
self.conn = pymongo.MongoClient("localhost",
27017)
# 库对象
self.db = self.conn["Qiushi"]
# 集合对象
self.myset = self.db["qiushiinfo"]
# 获取页面
def getPage(self,url):
res = requests.get(url,headers=self.headers)
res.encoding = "utf-8"
html = res.text
self.parsePage(html)
# 解析并存入数据库
def parsePage(self,html):
# 创建解析对象
parseHtml = etree.HTML(html)
# 获取每个段子的节点对象列表
base_list = parseHtml.xpath('//div[contains(@id,"qiushi_tag_")]')
for base in base_list:
# 节点对象可调用xpath
# 用户昵称
username = base.xpath('./div/a/h2')
if len(username) == 0:
username = "匿名用户"
else:
username = base.xpath('./div/a/h2')[0].text.strip()
# 段子内容
content = base.xpath('.//div[@class="content"]/span')
# 好笑数量
laughNum = base.xpath('.//i')[0]
# 评论数量
pingNum = base.xpath('.//i')[1]
d = {
"username":username,
"content":content[0].text.strip(),
"laughNum":laughNum.text,
"pingNum":pingNum.text
}
self.myset.insert(d)
print("成功")
if __name__ == "__main__":
spider = QiushiSpider()
spider.getPage("https://www.qiushibaike.com/8hr/page/1/")
想要看更多的课程请微信关注SkrEric的编程课堂