python爬虫：xpath解析

#数据解析中的最后一种方式，xpath是通用性最强的，注意边界高效的一中解析，最好用它来解析。

零、xpath解析原理与准备：

1.标签定位（实例化一个etree的对象，并且需要将被解析的页面源码数据加载到该对象中）

2.通过调用etree对象中的xpath方法结合着xpath表达式实现这个标签的定位和内容的捕获
3.环境的安装

一、如何实例化一个etree对象（两种形式）:from lxml import etree

1.将本地的html文档中的源码数据加载到etree对象中：

 etree.parse(filePath)    #本地的文件路径   parse方法

2.可以将从互联网上获取的源码数据加载到该对象中

 etree.HTML('page_text')
           # 这里的etree是一个类，来自于lxml:from lxml import etree
           # 当etree对象实例化好了之后就可以调用这个xpath方法了。

3.重点是xpath表达式的编写————xpath(‘xpath表达式’)

from lxml import etree

if __name__=="__main__":
    tree=etree.parse('test.html') 
    #已经实例化好了一个etree对象，且将被解析的源码加载到了该对象中。

下一步是用xpath方法。

比如说现在想去做标签的定位，这里定位就可以使用xpath表达式定位。
这个表达式可以根据层级关系去实现标签定位，这个层级关系在select方法当中有层级关系，而在xpath就是也只能是根据层级表达式去定位。

tree.xpath('/html/head/title')###表示从html里的head里的title去定位，html前的/表示我们是从根节点，或者说是根目录开始遍历的。

根节点或者根目录，即，在当前源码中，最外层的节点就是根节点，那我们从根节点开始从外到内一层一层定位就可以定位到title。

用r去接收一下xpath：

 #用r去接收一下xpath：
  r=tree.xpath('/html/head/title')
  print(r)

返回的是一个列表，列表当中存储的是一个标签，但是是element列表，这是这个标签被抽象成了element对象了。

还可以：

  r=tree.xpath('/html/body/div')
  print(r)

这个body里有三个div，所以返回的是一个包含三个div的element列表，这三个对象所表示的就是三个div标签。

最左侧的斜杠表示的是从根节点开始做定位，一个斜杠表示的是一个层级

如果：r=tree.xpath('/html//div')   ###运行，更刚刚的运行结果一样，
                        //表示的是多个层级；可以从任意位置开始定位
如果：r=tree.xpath('//div')   ###返回的结果依旧是一样的，这三种表达式含义和作用是一样的，作用到最左侧还是表示从任意位置去定位三个div

（能不能用xpat既能进行属性定位？）
固定格式：属性(clxxx)定位：

      r=tree.xpath('//div[@class="song"]')
      print(r)
      # 运行返回的还是一个列表
      # 结论！！！
      # xpath返回的永远是一个列表把。
      //div[@class='song'] tag[@attrName="attrValue"]

二、获取第三个p标签——所以接下来需要实现索引定位

r=tree.xpath('//div[@class="song"]/p[3]')  #p是之前标签的直系标签，然后加上三，就是第三个标签，注意！！！这里的索引定位不是从0开始的，而是1！！！

注意！！！这里的索引定位不是从0开始的，而是1！！！

三、学会标签定位后，下一步就是如何取文本了

取文本：（标签中间所存储的文本内容）

1.第一种形式

r=tree.xpath('//div[@class="tang"]/ul/li[5]/a')
#也可以是：
r=tree.xpath('//div[@class="tang"]//li[5]/a')
#a标签获取到了。获取文本在其后加/text()

例如：

r=tree.xpath('//div[@class="tang"]//li[5]/a/text()')
print(r)

获取结果：

>>>['杜牧']

最终发现这个输出结果是存在在一个列表当中的，若想取得字符串，那就在后面加一个：[0]

   r=tree.xpath('//div[@class="tang"]//li[5]/a/text()')[0]

 >>>杜牧

2.第二种形式

 <li><i>度蜜月</i></li>     第七个li标签   （非直系标签里文字的获取）

r=tree.xpath('//li[7]//text()')
#     - /text()  获取标签下直系的文本内容
#     - //text()  获取非直系标签下的文本内容

3. 以上都是一个标签里的文本获取，如果想要获取div下面的所有标签文本怎么办？

首先必不可少的属性定位：‘//div[@class=“tang”]’

r=tree.xpath('//div[@class="tang"]//text()')

——取属性：（取得定位到标签所对应属性的数值/属值？）

四、 /@attrName(格式)

例如：想要获取img里src储存的值：

<div class="song">
    <img src="http://www.baidu.com/meinv.jpg" alt="" />
</div>

输入代码:

 r=tree.xpath('//div[@class="song"]/img/@src')
 print(r)

输出：

   >>>['http://www.baidu.com/meinv.jpg']

五、xpath图片数据爬取要点

1.如果爬取标题的过程中，爬取文字出现乱码情况，应该手动修改encoding，尝试两个方法：

encoding='utf-8'

或者：

title=title.encode('iso-8859-1').decode('gbk')#title是出现乱码的区域

2.将所爬取的资源下载进入文件夹：请求图片，进行持久化存储；

img_data=requests.get(url=img_src,headers=headers).content,,,
img_path='picLibs/'+img_name
with open(img_path,'wb') as fp:      ###文件需要打开多次，每打开一次就要需要往文件夹里写入图片一次，循环外部创建一个文件夹：
    fp.write(img_data)
    print(img_name,"下载成功！")
if not os.path.exists('./picLibs'):
    os.mkdir('./picLibs')