关于动态网站的简单爬虫实现

 

1.XPath的使用 用来解析XML，

也可以用来解析HTML。同Beautiful Soup一样，在XPath中提供了非常简洁的节点选择的方法，Beautiful Soup主要是通过.的方式来进行子节点或者子孙节点的选择，而在XPath中则主要通过/的方式来选择节点。

2.etree.HTML(response.text)，使用etree模块中的HTML类来对百度html(response.text)进行初始化以构造XPath解析对象，返回的类型为lxml.etree._Element etree.tostring(bd_html_elem).decode("utf-8")，将上述对象转化为字符串类型且编码为utf-8 html.unescape(bd_html)，使用HTML5标准定义的规则将bd_html转换成对应unicode字符

实现步骤如下：

from lxml import etree
import requests
import html
response=requests.get("http://www.baidu.com")
encoding=response.apparent_encoding
response.encoding=encoding
# print(response.text)
bd_bj=etree.HTML(response.text)
img_href_ls=bd_bj.xpath("//img/@src")
img_href=bd_bj.xpath("//div[@id='lg']/img[@hidefocus='true']/@src")
a_content_ls=bd_bj.xpath("//a//text()")
a_news_content=bd_bj.xpath(&