python爬虫——xpath

python爬虫——xpath

解析原理

1. 实例化一个etree对象，且将网页源码数据加载到该对象中
2. 调用etree对象中的xpath方法，使用xpath表达式实现标签的定位和内容的捕获

环境的安装：lxml（from lxml import etree）

etree对象的实例化

1. 用本地的源码数据进行实例化
   etree.parse(‘path’)
2. 将从互联网中捕获的源码数据加载到该对象中
   etree.HTML(‘page_text’)

xpath表达式：

1. /：表示的是从根节点开始定位，表示的是一个层级。
2. //： 表示的多个层级，若在开头表示为从任一个标签开始定位
3. 属性定位：[@attrName=“attrView” ]
   例如：[@div=“song”]
4. 索引定位：标签[索引值] 。索引从1开始
   例如：//div[@div=“song”]/li[5]/a
5. 获得文本内容：返回值为列表
   /text()：只能获取标签直系的文本内容
   //text()：能获取标签下的所有内容
6. 获得属性：返回值为列表
   /@属性值
   例如：/@src
7. 同时捕获多个标签： | 标签a | 标签b

实例：58同城标题爬取

import requests
from lxml import etree

if __name__ == '__main__':
    url =  'https://wh.58.com/ershoufang/'

    headers = {
        'User-Agent':'user-agent: Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/85.0.4183.83 Safari/537.36'
    }

    page_text = requests.get(url=url, headers=headers).text

    #创建etree对象
    tree = etree.HTML(page_text)
    #使用xpath表达式实现定位
    list_li = tree.xpath('//ul[@class="house-list-wrap"]/li')

    fp = open('./58.txt', 'w', encoding='utf-8')

    for li in list_li:
        #，表示从该li标签开始定位，所得到的列表取第一个元素
        title = li.xpath('./div[2]/h2/a/text()')[0]

        fp.write(title + '\n')

    print('over')
    fp.close()