文章目录
基本流程
- 向网页发送请求
- 分析网页
python3 与 python的区别
- urllib.parse 替代 urlparse
- urllib.robotparser 替代 robotparser
urllib
parse
robotparser
requests
官方文档:https://2.python-requests.org/en/master/
官方文档中文版:https://2.python-requests.org//zh_CN/latest/user/quickstart.html
requests无论get()还是post()都会返回一个Response对象,下载到的内容就通过这个对象获取:
- res.content 是得到的二进制内容,其类型是bytes;
- res.text 是二进制内容content decode后的str内容;
它先从response headers里面找到encoding,没找到就通过chardet自动判断得到encoding,并赋值给res.encoding,最后把二进制的content解密为str类型。 - requests还有个好用的就是Session,它部分类似浏览器,保存了cookies,在后面需要登录和与cookies相关的爬虫都可以用它的session来实现。
老猿经验: res.text判断中文编码时有时候会出错,还是自己通过cchardet(用C语言实现的chardet)获取更准确。这里,我们列举一个例子:
xpath
在 XPath 中,有七种类型的节点:元素、属性、文本、命名空间、处理指令、注释以及文档(根)节点。XML 文档是被作为节点树来对待的。树的根被称为文档节点或者根节点。
路径
表达式 | 描述 |
---|---|
nodename | 选取此节点的所有子节点。 |
/ | 从根节点选取。 |
// | 从匹配选择的当前节点选择文档中的节点,而不考虑它们的位置。 |
. | 选取当前节点。 |
… | 选取当前节点的父节点。 |
@ | 选取属性。 |
谓语
谓语用来查找某个特定的节点或者包含某个指定的值的节点。
谓语被嵌在方括号中。
路径表达式 | 结果 |
---|---|
/bookstore/book[1] | 选取属于 bookstore 子元素的第一个 book 元素。 |
/bookstore/book[last()] | 选取属于 bookstore 子元素的最后一个 book 元素。 |
/bookstore/book[last()-1] | 选取属于 bookstore 子元素的倒数第二个 book 元素。 |
/bookstore/book[position()< 3] | 选取最前面的两个属于 bookstore 元素的子元素的 book 元素。 |
//title[@lang] | 选取所有拥有名为 lang 的属性的 title 元素。 |
//title[@lang=‘eng’] | 选取所有 title 元素,且这些元素拥有值为 eng 的 lang 属性。 |
/bookstore/book[price>35.00] | 选取 bookstore 元素的所有 book 元素,且其中的 price 元素的值须大于 35.00。 |
/bookstore/book[price>35.00]//title | 选取 bookstore 元素中的 book 元素的所有 title 元素,且其中的 price 元素的值须大于 35.00。 |
通配符、组合符
路径表达式 | 结果 |
---|---|
/bookstore/* | 选取 bookstore 元素的所有子元素。 |
//title[@*] | 选取所有带有属性的 title 元素。 |
//book/title | //book/price | 选取 book 元素的所有 title 和 price 元素。 |
XPath 轴(Axes)
轴可定义相对于当前节点的节点集。
设type(e) :<class ‘lxml.html.HtmlElement’>
轴名称 | 结果 | 获取 |
---|---|---|
ancestor | 选取当前节点的所有先辈(父、祖父等)。 | |
ancestor-or-self | 选取当前节点的所有先辈(父、祖父等)以及当前节点本身。 | |
attribute | 选取当前节点的所有属性。 | e.get(attr_name) |
children | 选取当前节点的所有子元素。 | e.getchildren() |
descendant | 选取当前节点的所有后代元素(子、孙等)。 | |
descendant-or-self | 选取当前节点的所有后代元素(子、孙等)以及当前节点本身。 | |
following | 选取文档中当前节点的结束标签之后的所有节点。 | |
following-sibling | 选取当前节点之后的所有兄弟节点 | |
namespace | 选取当前节点的所有命名空间节点。 | |
parent | 选取当前节点的父节点。 | getparent() |
preceding | 选取文档中当前节点的开始标签之前的所有节点。 | |
preceding-sibling | 选取当前节点之前的所有同级节点。 | |
self | 选取当前节点。 |
HtmlElement
https://lxml.de/api/lxml.html.HtmlElement-class.html
参考学习网站:Codeup.cn/contest.php?cid=100000601
- 属性(Properties)
名称 | 解释 |
---|---|
attrib | show all attributes |
tag、text、tail | 获得相应属性值 |
get(attrib_name) | 获得属性值 |
find() | e.find(".//div[@class='state']") 返回第一个查找结果 |
findall() | e.find(".//div[@class='state']") 返回所有查找结果 |
.drop_tag() | 移除该html tag,但保留它的子节点和文本并合并到该tag的父节点。 |
.drop_tree() | 移除该节及其子节点和文本,而它后面的文本(tail text)合并到前面一个节点或父节点。 |
find_class(class_name) | 通过class名称查找所有含有class_name的元素,返回HtmlElement的列表 |
getchildren()、getparent() 方法 | 顾名思义,获取 孩子节点和父节点。需要注意的是,还是可以有多个(返回list),父亲只有一个。 |
.getnext() .getprevious() 方法 | 获取后一个或前一个节点,如果没有则返回None。 |
.getiterator()、.iter() 方法 | 从该节点开始,按文档顺序(深度优先)遍历所有子节点。可以指定只遍历某些tag。 |
.iterchildren() | 只遍历子节点。 |
.iterancestors() .iterdescendants() | 前者遍历前辈(从父亲节点开始),后者遍历后辈(从子辈开始),都跳过该节点。 |
例子
爬取特斯拉的充电站数量及位置
from lxml import html
import numpy
import requests
import json
url2 = 'https://www.tesla.com/findus/list/superchargers/United%20States'
url4 = 'https://www.tesla.com/findus/list/chargers/United+States'
header = {
"User-Agent": "Mozilla/5.0 (Windows NT 10.0; WOW64; rv:66.0) Gecko/20100101 Firefox/66.0",
"Referer": "https://www.mzitu.com/", }
page=requests.get(url4,headers=header) # <class 'requests.models.Response'>
tree=html.fromstring(page.text) # <class 'lxml.html.HtmlElement'>
pri