Python爬虫||Xpath-以豆瓣电视剧为例

XPath——全称XML Path Language，即XML路径语言，它是一门在XML文档中查找信息的语言。它最初是用来搜寻XML文档的，但是它同样适用于HTML文档的搜索。所以在爬虫里就可以直接使用Xpath来进行数据获取，而且方法相较于正则表达式和bs4等要简单很多。
工程中常用Python的lxml库，利用XPath进行HTML的解析。

安装库

pip3 install lxml

导入

from lxml import etree

Xpath的常用规则

表达式	描述
nodename	选取此节点的所有子节点
/	从当前节点选取直接子节点（绝对路径）
//	从当前节点选取子孙节点（相对路径）
.	选取当前节点
…	选取当前节点的父节点
@	选取属性

Xpath的基本语法

XPath 基础表达式

表达式	描述
/node	表示在xml文档的根目录查找结点名称为node的结点
./node	表示在当前结点下查找结点名称为node的结点
//node	表示在xml文档中递归查找结点名称为node的节点
//*	表示在xml文档中查询所有的结点，但是排除文本节点
//node()	表示在xml文档中查询所有结点，包含文本节点
//text()	表示在xml文档中递归查找所有的文本节点
//*/text()[contains(., ‘test’)]	表示在xml文档中递归查找所有结点，条件为该结点的文本节点包含"test"
//node[@id]	表示在xml文档中递归查找结点名称为node的结点，条件为该结点必须含有id属性
//node[id]	表示在xml文档中递归查找结点名称为node的结点，条件为该结点必须含有结点名称为id的结点
//nodes[node/id]	表示递归查找nodes结点，条件为nodes结点下必须有node结点，且node结点下必须有id结点
//nodes[@id]/node[id]	表示递归查找含有id属性的nodes结点下的node结点，条件为node结点下必须含有id结点
//nodes[@id]/node[0]	表示递归查找含有id属性的nodes结点下的第一个node结点
//nodes[@id]/node[last()]	表示递归查找含有id属性的nodes结点下的最后一个node结点
//nodes/node[position() < 4]	表示递归查找nodes结点下索引小于4的node结点
//nodes[@id]/node[position() < last()]	递归查找含有id属性的nodes结点下除最后一个结点外的node结点
/nodes/child::node()[name()=‘node’]	表示查找nodes结点下结点名称为node的子结点
/nodes/child::node	等同于/nodes/node表示查找nodes下的node子结点
/nodes/node/attribute::id	等同于/nodes/node/@id表示查找nodes结点下的node结点的id属性
//nodes[@id=‘1001’]/node[starts-with(@id, ‘1’)]	表示查找id属性为1001的nodes结点下的id属性以1开头的node结点
//@*[ends-with(., ‘1’)]	表示查找以1结尾所有属性
(//*	//@*)[substring(name(), 1, 5) = ‘class’] 查找所有结点名称或属性名称的1到5之间的字符等于’class’的结点
//node[@attr!=’-2’ and @attr!=‘2’]	查找所有node节点，其attr属性不等于2和-2

XPath 文档轴用途：

表达式	描述
self	选择当前节点
parent	选择当前节点的父节点
child	选择当前节点的所有子节点
attribute	选择当前节点的所有属性
ancestor	选择当前节点的所有祖先，包括父节点、父节点的父节点等等
ancestor-or-self	选择当前节点的祖先以及当前节点本身
descendant	选择当前节点的所有后代，包括子节点、子节点的子节点等等
descendant-or-self	选择当前节点的后代以及当前节点本身
preceding	选择整个文档中出现在当前节点前面的所有节点
preceding-sibling	选择文档中出现在当前节点前面的所有同胞节点（即与当前节点同级的节点）
following	选择整个文档中出现在当前节点后面的所有节点
following-sibling	选择文档中出现在当前节点后面的所有同胞节点（即与当前节点同级的节点）
namespace	选择当前节点的所有名称空间节点

实例展示-豆瓣电视剧

豆瓣电视剧这个网页比较特殊，是由动态页面+静态所组合的，可以看到在打开的初始网页中有个“加载更多”的选项

哦吼，熟悉的动态网页，那就要在网页检查中找到他的真正网址

通过网址我们找到了真正的网址信息，发现这一页所有的电视剧信息都保存在Request URL后面的这个网址中，打开这个网址可以看到我们所需的详细网址也在这个页面中，即每一个电视剧的详情页，所以我们决定对该网址进行请求来获取数据。

说那么多其实用的就一点点，并且使用谷歌浏览器的童鞋可能已经发现了，右键在想获取的信息上时，是可以直接copy所需信息的xpath，这。。不香吗？
但是有的时候也会发现复制下来的xpath并不准确，或是获取不到我们所需的完整信息，所以学习xpath对于爬虫也是非常重要的。
话不多说，开始上代码。

目标网址：https://movie.douban.com/tv
工具：Python3.7
环境：win10

import requests
import pandas as pd
from lxml import etree
import json

url='https://movie.douban.com/j/search_subjects?type=tv&tag=%E7%83%AD%E9%97%A8&sort=recommend&page_limit=20&page_start=0'

#代理ip
proxies = {'http': '1.85.5.66',}

#设置headers
headers = {'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/77.0.3865.120 Safari/537.36X-Requested-With: XMLHttpRequest'}
response=requests.get(url,headers=headers,proxies=proxies) #请求
print(response.status_code) #查看响应体，如果输出200就表示网页请求成功

response.encoding = 'utf-8'
html = response.json()  # 将json格式的字符串转为python数据类型
html1=html['subjects'] #数据存放在subjects中，所以将他提取出来

#每一个电视剧的详细页网址在subjects中，所以需要从subjects中将url提取出来
url=[]
for one in html1:
    url.append(one['url'])
print(url)

这样就获得了每个电视剧详情页的网址，这段代码所得到的结果是这样的：

可以看到采集到的详情页网址被保存在了列表里，所以接下来就是对这些详情页进行请求获取详我们需要的细信息，也就要用到xpath的方法。

title=[]
jianj=[]
juqing=[]
otherlike=[]
fen=[]
watch=[]

for i in range(len(url)):
    res=requests.get(url[i],headers=headers,proxies=proxies)
    html = etree.HTML(res.text)
    title.append(''.join(html.xpath('//*[@id="content"]/h1/span/text()')))
    jianj.append(''.join(html.xpath('//*[@id="info"]/span/text()')))
    juqing.append(''.join(html.xpath('//*[@id="link-report"]/span/text()')))
    otherlike.append(''.join(html.xpath('//*[@id="recommendations"]/div/dl/dd/a/text()')))
    fen.append(''.join(html.xpath('//*[@id="interest_sectl"]/div/div[2]/strong/text()')))
    watch.append(''.join(html.xpath('//*[@id="content"]/div[2]/div[2]/div[1]/ul/li/a/text()')))
    
columns={'剧名':title,'简介':jianj,'剧情':juqing,'还喜欢':otherlike,'评分':fen,'观看':watch}
df=pd.DataFrame(columns)
df.head()

得到的数据如下：

Xpath应该是我目前用到的最简单的爬虫方法了，如果以后遇到更简单的再继续和大家分享哦O(∩_∩)O

注：本次抓取数据仅作学习研究之用