今天来学习一下Xpath吧,这是python的第三种精准爬取方法
首先我们需要掌握xml。
用来传输存储数据 是可扩展的标记语言 自行定义标签
html | xml |
---|---|
用来显示数据 | 存储数据 |
固定标签 | 自定义标签 |
xpath在xml文档中查找指定元素信息,是一种路径表达式
xpath语法
- // 从任意位置找到你 不考虑位置
- . 选取当前节点
- ./ 从当前节点开始往下开始找
- … 选取当前节点的父节点
- …/ 从当前节点的父节点下开始找
- @ 选取属性
bookstore根元素所有子节点
/bookstore 选取根元素bookstore
bookstore/book 选取bookstore中的所有的book元素(孙子节点找不到,是直接子节点)
//选取所有的 book元素,从任意位置开始了
bookstore//book 选取bookstore中的所有book元素(孙子节点都可以找到)
/bookstore/book[1] 第一个book元素
/bookstore/book[last()-1] 倒数第二个
/bookstore /book[position()❤️] 提取前两个属性
//title[@lang] 所有的带有lang属性的title
//title[@lang = ‘eng’] 所有的 lang属性为eng的元素
如果安装无效则看这个网站进行设置
https://www.cnblogs.com/ljxh/p/11222898.html
当然我也会在我博客资源里提供安装包的
其实xpath也是一个插件,安装到浏览器,我们可以ctrl shift x呼出xpath控制台
属性定位
//input[@id=‘kw’] 找到所有的带有属性id值为kw的input //input[@class="*** **"] 多个class用空格隔开class就行了
索引与属性查找可以一起使用
//div[@class="" and @id="#"] 多个属性可以and 模糊匹配
//input[contains(@class,“s_i”)] 所有的input并且含有class为s_i的
//input[start-width(@class,“a”)] 所有的input带有class为a开头的
import time
import urllib.request
import urllib.parse
from lxml import etree
import json
def parse_content(content):
#生成对象
tree = etree.HTML(content);
oli_list = tree.xpath('//ul[@class="list-box"]/li[1]')
# ul[@class='list-box']/li[1]/div[@class='content']/a
for odiv in oli_list:
title = odiv.xpath('//div[@class="head"]/h2[@class="s2"]/br/text()')
text = odiv.xpath('./div[@class="content"]/a/br/text()')
print(title)
def handle_request(url,page):
headers = {
'User-Agent':'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/76.0.3809.132 Safari/537.36'
}
#url = url % page;
url = url.format(page)
#print(url)
request = urllib.request.Request(url = url,headers = headers);
return request;
def main():
#start_page = int(input("输入起始页码"))
#end_page = int(input("输入结束页码"))
start_page = 1
end_page = 1
url = 'http://www.haoduanzi.com/category/?1-{0}.html'
for page in range(start_page,end_page+1):
#构建请求对象
request = handle_request(url,page)
#获得相应信息
content = urllib.request.urlopen(request).read().decode()
#print(content)
parse_content(content)
if __name__ == '__main__':
main()
5