python xpath入门_python爬虫入门 实战（一）---爬糗事百科初窥XPath

注：(此篇为切换Markdown编辑器调整了格式重发的……强迫症，原来用富文本编辑器写的太丑了)

今天第一次尝试用python写爬虫，在w3shcool学习了一下XPath，用来找结点获取内容。过程中遇到几个小问题，在这里记录一下并分享给其他初学者。本文以爬取糗事百科为例，这里用的是python2.7。

出现的问题：

socket.error: [Errno 10054]

xpath寻找结点的相对路径的写法

发送请求获取html源码

直接发送请求获取网页内容就好了，page后面的数字可以用来翻页。我们先来试一试直接发送请求并输出response的内容。注意请求要设置headers的内容，可以审查元素查看需要设置的内容。

# -*- coding:utf-8 -*-

import urllib

import urllib2

page=1

url='http://www.qiushibaike.com/hot/page/'+str(page)

user_agent='Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/57.0.2987.110 Safari/537.36'

headers={'User-Agent':user_agent}

request=urllib2.Request(url,headers=headers)

response=urllib2.urlopen(request)

str_html= response.read()

response.close()

print str_html

运行没有问题，成功输出了网页源码内容。这里笔者出现一个疏忽，一开始因为没有close掉response，以至于远端主机重置了链接，出现socket.error: [Errno 10054] 。可能出现该错误的还有其他原因，具体可以参考这篇：python socket 超时设置 errno 10054

用xpath解析并找到目标结点

我们先尝试从简单的开始，把当前页面的所有段子的作者名字爬下来输出。首先先审查元素，看看页面的结构。

从上图可以看到，所有的段子以瀑布流的形式放在一个id="content-left"的div里面，段子有共同的特点class="article block untagged mb15"

那我们先获取所有段子的整个div结点

tree=html.fromstring(str_html)

nodes=tree.xpath('//div[@id="content-left"]/div[@class="article block untagged mb15"]')

xpath的语法可以参考w3shcool里的XPath 教程，或者其他资料。

然后我们继续看段子的内容结构，如下图：

我们可以发现每个段子的第一个子div就是包含作者(用户)名字和头像信息的div，有共同的特点class="author clearfix"，然后具体的名字信息在该div下的子元素第二个a标签里的h2标签里。

了解了结构我们可以进行提取名字了。

tree=html.fromstring(str_html)

nodes=tree.xpath('//div[@id="content-left"]/div[@class="article block untagged mb15"]')

for node in nodes:

res_author=node.xpath('//div[@class="author clearfix"]/a[2]/h2')[0].text

print res_author

对于之前找到的每个段子结点，我们再找到class="author clearfix"的子div，再找到第二个a标签下的h2并获取其text内容，即可。但事实上上图是一个错误的写法，我们先运行一下看结果。

结果所有段子结点貌似都输出了同一个作者名字，但从页面看，只有第一个作者是这个名字。修改后的正确代码如下：

去掉了node.xpath路径的开头两个正斜杠，一切都正常了。这是什么原因呢。我又看了一下w3school上的教程，里面写到：

相对路径前面没有斜杠，而有两个斜杠是表示：

看起来有点拗口，但我猜测应该是用“//”都是从整个文档开始找的，除非在之前加个特定元素，才会在特定元素的所有后代中找。

于是，我又测试了一下(下图)，符合我的猜测，但可能是巧合，所以暂时先这么理解，如果有懂的同学看到这篇文章，希望可以给我讲解一下。

从上图结果看，用“//”果然可以从整个文档中找到所有的段子作者，所以之前的代码为什么会对所有的段子都输出同一个作者呢，(猜测)是因为每次循环都从整个文档找了一遍，而每次都是输出下标为[0]的作者名字，当然就是一样的。

而修改后，变成了每个段子结点下的相对寻址，对于每个段子只有一个作者，所以下标为[0]的结果就是该条段子的作者名字了。

爬取所有段子的主要信息(作者，内容，点赞和评论数)

既然作者名字会爬，其他的文字信息也类似，都是用相对路径的写法找到。直接上完整代码：(本文只简单实现爬取文字内容，没有爬取图片。)

# -*- coding:utf-8 -*-

from lxml import html

import urllib

import urllib2

page=1

url='http://www.qiushibaike.com/hot/page/'+str(page)user_agent='Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/57.0.2987.110 Safari/537.36'

headers={'User-Agent':user_agent}

request=urllib2.Request(url,headers=headers)

response=urllib2.urlopen(request)

str_html= response.read()

response.close()

tree=html.fromstring(str_html)

nodes=tree.xpath('//div[@id="content-left"]/div[@class="article block untagged mb15"]')

#循环对每个段子结点进行输出

for node in nodes:

#解析每个段子

res_author=node.xpath('div[@class="author clearfix"]/a[2]/h2')[0].text

content=node.xpath('a[@class="contentHerf"]/div[@class="content"]/span') [0].text

num_vote=node.xpath('div[@class="stats"]/span[@class="stats-vote"]/i')[0].text

num_comments=node.xpath('div[@class="stats"]/span[@class="stats-comments"]/a[@class="qiushi_comments"]/i')[0].text

#输出指定内容

print u"作者："+res_author

print "---------------------------------------------------------"

print u"内容："+content

print "---------------------------------------------------------"

print u"点赞："+num_vote+u",评论："+num_comments+"\n"

运行结果截图：

本文参考：