『python爬虫』11. xpath解析实战之获取csdn文章信息（保姆级图文）

---

欢迎关注 『python爬虫』 专栏，持续更新中
欢迎关注 『python爬虫』 专栏，持续更新中

网页结构分析

我的csdn主页
https://blog.csdn.net/u011027547

我们先找一篇文章内容的div，具体操作为逐渐向更大范围的div查找，直到找到包含所有文章的结构体。

再往上一级就遇到了所有文章的列表结构了，所以我们可以确定上面的内容已经是每篇文章的div单位了

而且在这一级的div下有很多相同结构的div列表，也佐证了我们的结构判断。

---

爬取思路

xpath 与 full xpath路径在部分网页会出现full xpath无法返回内容的情况，所以为了兼容性建议使用xpath，用full xpath会返回一个空列表。

得到所有的文章

• 第1个文章的div
  //*[@id=“userSkin”]/div[2]/div/div[2]/div[1]/div[2]/div/div/div[1]
• 第2个文章的div
  //*[@id=“userSkin”]/div[2]/div/div[2]/div[1]/div[2]/div/div/div[2]
• 第3个文章的div
  //*[@id=“userSkin”]/div[2]/div/div[2]/div[1]/div[2]/div/div/div[3]
• 所以拿到每一个文章div
  //*[@id=“userSkin”]/div[2]/div/div[2]/div[1]/div[2]/div/div/div

遍历每个文章得到其中的信息

• 文章与title的相对比较
  //[@id=“userSkin”]/div[2]/div/div[2]/div[1]/div[2]/div/div/div[1] ./article/a/div[2]/div[2]/div/div[3]/span
  //[@id=“userSkin”]/div[2]/div/div[2]/div[1]/div[2]/div/div/div[1] /article/a/div[2]/div[2]/div/div[3]/span
  所以只需要相对路径./article/a/div[2]/div[2]/div/div[3]/span即可

---

实现代码

只做了当前展示页面的爬取

import requests
from lxml import etree

url = "https://blog.csdn.net/u011027547"
headers = {'User-Agent': 'User-Agent:Mozilla/5.0 (compatible; MSIE 9.0; Windows NT 6.1; Trident/5.0;'}
resp = requests.get(url,headers=headers)
print(resp)
# print(resp.text)

# 解析
html = etree.HTML(resp.text)

# 第1个文章的div
# //*[@id="userSkin"]/div[2]/div/div[2]/div[1]/div[2]/div/div/div[1]
# 第2个文章的div
# //*[@id="userSkin"]/div[2]/div/div[2]/div[1]/div[2]/div/div/div[2]
# 第3个文章的div
# //*[@id="userSkin"]/div[2]/div/div[2]/div[1]/div[2]/div/div/div[3]
# 所以拿到每一个文章div
# //*[@id="userSkin"]/div[2]/div/div[2]/div[1]/div[2]/div/div/div

# 文章与title的相对比较
# //*[@id="userSkin"]/div[2]/div/div[2]/div[1]/div[2]/div/div/div[1] ./article/a/div[2]/div[2]/div/div[3]/span
# //*[@id="userSkin"]/div[2]/div/div[2]/div[1]/div[2]/div/div/div[1]  /article/a/div[2]/div[2]/div/div[3]/span

divs = html.xpath('//*[@id="userSkin"]/div[2]/div/div[2]/div[1]/div[2]/div/div/div')# 拿到每一个文章的div
# print(divs)
for div in divs:  # 每一个文章信息
    # //*[@id="userSkin"]/div[2]/div/div[2]/div[1]/div[2]/div/div/div[1]/article/a/div[2]/div[1]/div[1]/h4
    title = div.xpath("./article/a/div[2]/div[1]/div[1]/h4/text()")[0]
    print("文章标题："+title)
    # //*[@id="userSkin"]/div[2]/div/div[2]/div[1]/div[2]/div/div/div[1]/article/a/div[2]/div[2]/div/div[3]/span
    read_number = div.xpath("./article/a/div[2]/div[2]/div/div[3]/span/text()")[0]
    print("阅读量："+read_number)
    # //*[@id="userSkin"]/div[2]/div/div[2]/div[1]/div[2]/div/div/div[1]/article/a/div[2]/div[2]/div/div[4]/span
    zan = div.xpath("./article/a/div[2]/div[2]/div/div[4]/span/text()")[0]
    print("点赞数："+zan)

---

总结

大家喜欢的话，给个👍，点个关注！给大家分享更多计算机专业学生的求学之路！

版权声明：

发现你走远了@mzh原创作品，转载必须标注原文链接

Copyright 2023 mzh

Crated：2023-3-1

欢迎关注 『python爬虫』 专栏，持续更新中
欢迎关注 『python爬虫』 专栏，持续更新中
『未完待续』

---