一. Xpath的介绍与配置
1. XPath是什么
XPath是一门语言
XPath可以在XML文档中查找信息
XPath支持HTML
XPath通过元素和属性进行导航
总结:
XPath可以用来提取信息(和正则表达式类似)
XPath比正则表达式更加厉害
XPath比正则表达式更加的简单
如果你之前用正则表达式进行开发,很多时候,明明感觉自己的匹配是正确的,但是就是找不到自己想要的内容,还有时候就是,网页特别复杂,网页的结构层次也十分复杂,你不知道该如何匹配,当你认真的学习了XPath之后,这些问题就会迎刃而解。
2. 如何安装使用XPath
XPath属于lxml库,所以首先我们需要安装这个库,这个库的具体安装步骤我已经写在我的博客里面了大家可自行翻阅。
安装好之后我们将使用from lxml import etree和Selector = etree.HTML(网页源代码)和Selector.xpath(一段神奇的代码)
二. 神器XPath的使用
1. XPath与HTML结构
HTML是树状结构,他可以逐层展开,我们利用这一特点结合XPath就可逐层定位
下面请看一个小的页面,我们接下来的测试用例会讲到这个页面。
用chrome打开这个网页,然后打开检查,如下界面(这里我把全部的信息显示出来,便于分析检查)
![](https://img-blog.csdn.net/20170123171123719?watermark/2/text/aHR0cDovL2Jsb2cuY3Nkbi5uZXQvTmVpbDQ=/font/5a6L5L2T/fontsize/400/fill/I0JBQkFCMA==/dissolve/70/gravity/Center)
2. 获取网页元素的XPath
手动分析法
这里我们分析一下,如果我们需要找到“这是第一条信息”我们通过下面的方式去查找
html->body->div->ul[@useful]->li
补充说明:上面的这段内容肯定不是XPath的代码,这里只是一种形象的表示方法。大家查看上图可以发现ul标签有两个内容,这里我们选择的是id等于useful的标签,所以上面的形象查找部分是ul[@useful],另外就是这里我想要查找的是“这是第一条信息”但是我上面的只有li,大家很容易就明白了,这里返回的应该是一个列表,列表的内容包括了三条信息,“这是第一条信息,这是第二条信息,这是第三条信息”
Chrome分析法
手动分析法,在结构比较复杂的网页中分析起来还是比较麻烦,这里我们可以使用chrome分析法,准确快速的定位。我们右击页面,点击检查,或者审查元素,弹出他的代码结构,然后在我们感兴趣的内容对应的代码上面右击,选择Copy,然后选择Copy XPath,把它复制下来,我把刚刚那段感兴趣的内容粘贴下来,大家和上面的手动分析比较一下
//*[@id="useful"]/li[1]
是不是和咱们手动分析的内容有几分类似呢。分析一下chrome给我们的代码,这里有一个*号,而我们手动分析的代码是html,body…这是因为id=useful的这个id只有一个内容,所以我们这里用*进行了省略,如果我们在其他的标签下面也有id=useful这样的内容,是需要像我们手动分析的那样的类似的内容的。代码中li[1]就表示我们的列表里面的第一段内容了,这里就不会出现我们手动分析中的把三段内容都抓取下来的结果了。
3. 应用XPath提取内容
//定位根节点
/往下层寻找
提取文本内容:/text()
提取属性内容:/@xxxx (xxxx是属性的名字)
下面就是代码部分,具体部分的讲解内容和XPath的使用,我已经注释到代码部分了,大家可以仔细阅读:
-
- from lxml import etree
-
- html = ''
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
- selector = etree.HTML(html)
-
-
-
-
-
-
-
-
-
- content = selector.xpath('//ul[@id="useful"]/li/text()')
- for each in content:
- print each
-
-
-
-
-
- link = selector.xpath('//a/@href')
- for each in link:
- print each
-
-
- title = selector.xpath('//a/@title')
- print title[0]
下文的截图是代码运行的结果
![](https://img-blog.csdn.net/20170123171302580?watermark/2/text/aHR0cDovL2Jsb2cuY3Nkbi5uZXQvTmVpbDQ=/font/5a6L5L2T/fontsize/400/fill/I0JBQkFCMA==/dissolve/70/gravity/Center)
三. 神奇XPath的特殊用法
1. 以相同的字符开头的情况
starts-with(@属性名字,属性字符相同部分)
2. 标签套标签
string(.)
下面是代码详解
-
- from lxml import etree
-
-
-
- html1 = ''
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
- html2 = ''
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
- selector1 = etree.HTML(html1)
-
-
- content1 = selector1.xpath('//div[starts-with(@id,"test")]/text()')
- for each in content1:
- print each
-
-
-
-
- selector2 = etree.HTML(html2)
- content_2 = selector2.xpath('//div[@id="test3"]/text()')
- for each in content_2:
- print each
-
-
-
-
-
-
- selector3 = etree.HTML(html2)
- data = selector3.xpath('//div[@id="test3"]')[0]
- info = data.xpath('string(.)')
- content_3 = info.replace('\n','').replace(' ','')
- print content_3
四. Python并行化介绍与演示
1. 并行化简单理解
这里可以理解为python的多线程(这里的多线程不是真正的多线程)
多个线程同时处理任务,提高效率,具有高效和快速的特点
2. map使用实现爬虫并行化
map函数包括序列操作,参数传递和结果保存等一系列操作
使用map函数时需要导入Pool这个类,使用代码:
from multiprocessing.dummy import Pool
根据自己的计算机核数的不同,下面的代码使用的数字有改动:
pool = Pool(4)
接着使用result = pool.map(爬取函数,网址列表)
下面是代码详解:
-
-
-
-
-
- from multiprocessing.dummy import Pool as ThreadPool
- import requests
- import time
-
-
- def getsource(url):
- html = requests.get(url)
-
- urls = []
-
-
- for i in range(1,21):
- newpage = 'http://tieba.baidu.com/p/3522395718?pn=' + str(i)
- urls.append(newpage)
-
- time1 = time.time()
- for i in urls:
- print i
- getsource(i)
- time2 = time.time()
- print u'单线程耗时:' + str(time2-time1)
-
-
- pool = ThreadPool(4)
- time3 = time.time()
- results = pool.map(getsource, urls)
-
- pool.close()
- pool.join()
- time4 = time.time()
- print u'并行耗时:' + str(time4-time3)
-
-
-
-
五. 实战—百度贴吧爬虫
目标网站:http://tieba.baidu.com/p/3522395718
目标内容:跟帖用户名,跟帖内容,跟帖时间
涉及知识:
requests爬取网页源代码
XPath提取内容
map实现多线程爬虫
请看代码分析:(这之前你得熟悉想要找的内容,这里建议大家使用chrome的检查或者审查元素功能)
-
- from lxml import etree
- from multiprocessing.dummy import Pool as ThreadPool
- import requests
- import json
- import sys
-
- reload(sys)
-
- sys.setdefaultencoding('utf-8')
-
- ''
-
-
- def towrite(contentdict):
- f.writelines(u'回帖时间:' + str(contentdict['topic_reply_time']) + '\n')
- f.writelines(u'回帖内容:' + unicode(contentdict['topic_reply_content']) + '\n')
- f.writelines(u'回帖人:' + contentdict['user_name'] + '\n\n')
-
-
- def spider(url):
- headers = {'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/55.0.2883.87 Safari/537.36'}
- html = requests.get(url,headers = headers)
-
- selector = etree.HTML(html.text)
- content_field = selector.xpath('//div[@class="l_post l_post_bright "]')
- item = {}
- for each in content_field:
- reply_info = json.loads(each.xpath('@data-field')[0].replace('"',''))
-
- author = reply_info['author']['user_name']
-
- content = each.xpath('div[@class="d_post_content_main"]/div/cc/div[@class="d_post_content j_d_post_content "]/text()')[0]
- reply_time = reply_info['content']['date']
- print content
- print reply_time
- print author
- item['user_name'] = author
- item['topic_reply_content'] = content
- item['topic_reply_time'] = reply_time
- towrite(item)
-
- if __name__ == '__main__':
- pool = ThreadPool(4)
- f = open('content.txt','a')
-
-
- page = []
- for i in range(1,5):
- newpage = 'http://tieba.baidu.com/p/3522395718?pn=' + str(i)
- page.append(newpage)
- print page
-
- results = pool.map(spider, page)
- pool.close()
- pool.join()
- f.close()
(上文的代码可能因为网页的变动,使得有些代码不能测试,大家可以根据上文修改)