xcx:什么是XPath?
shy:XPath即为XML路径语言,用于确定XML树结构中某一部分的位置。XPath技术基于XML的树结构,能够在树结构中遍历节点(元素、属性等)。
hwjw:什么是lxml库?
shy:lxml是以Python语言编写的库,主要用于解析和提取HTML或者XML格式的数据,可以利用XPath语法进行快速地定位特定的元素或节点。
描述:
使用XPath和lxml库对京东笔记本数据进行爬取、解析和提取。基础url:https://list.jd.com/list.html?cat=670%2C671%2C672&page=1
任务一:
修改贴吧数据获取程序,使得程序能爬取到京东笔记本数据,将数据打印到屏幕上。
提示:
原程序无法爬取京东数据,分析得知须在headers中添加"cookie",如
headers = {"User-Agent": "……",
"cookie": "……"
}
Code:
import urllib.request
import urllib.parse
import time
def load_page(url, filename):
'''
作用:根据url发送请求,获取服务器响应文件
url:需要爬取的url地址
1、定义headers
2、定义request
3、获得response
4、返回内容
'''
headers = {
"User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/106.0.0.0 Safari/537.36",
"Cookie": "xxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxx"
} # 此处放入自己的Cookie
request = urllib.request.Request(url, headers=headers)
response = urllib.request.urlopen(request)
# print(response.read())
return response.read().decode("utf-8")
def tieba_spider():
url = "https://list.jd.com/list.html?cat=670%2C671%2C672&page=1"
html = load_page(url, "")
print(html)
if __name__ == "__main__":
tieba_spider()
代码分析:
-
导入模块:首先导入了
urllib.request
和urllib.parse
模块,用于发送 HTTP 请求和解析 URL。 -
定义
load_page
函数:这个函数的作用是发送请求并获取服务器响应的文件内容。- 接受两个参数
url
和filename
,其中url
是需要爬取的网页地址,filename
没有被使用。 - 定义了一个字典类型的
headers
,其中包含了 User-Agent 和 Cookie 等信息,模拟浏览器的请求。 - 使用
urllib.request.Request()
构造了一个请求对象request
,将url
和headers
传递给它。 - 通过
urllib.request.urlopen()
发送了请求,并将响应保存在response
中。 - 最后通过
response.read().decode("utf-8")
读取响应内容,并以 UTF-8 编码解码为字符串,并返回。
- 接受两个参数
-
定义
tieba_spider
函数:这个函数是整个爬虫的入口函数。- 定义了
url
变量,指定要爬取的京东商品列表页面的 URL。 - 调用了
load_page
函数,将url
作为参数传入,并将返回的 HTML 内容保存在html
变量中。 - 最后打印出获取到的 HTML 内容。
- 定义了
-
入口点判断:
if __name__=="__main__":
语句判断是否以主程序方式执行。- 如果是,则调用
tieba_spider()
函数开始执行爬取。
- 如果是,则调用
这段代码实际上是一个简单的示例,只是简单地发送了一个 HTTP 请求,获取了页面内容,并打印出来。在实际的爬虫中,还需要考虑异常处理、数据解析、存储等更多的功能。
任务二:
分析html,找到商品名称、商品价格和商品配置的XPath,编写程序,使用lxml库实现对数据的提取。将数据组合成item,并输出到屏幕上。
Code:
import urllib.request
import urllib.parse
import time
from lxml import etree
def load_page(url, filename):
'''
作用:根据url发送请求,获取服务器响应文件
url:需要爬取的url地址
1、定义headers
2、定义request
3、获得response
4、返回内容
'''
headers = {
"User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/106.0.0.0 Safari/537.36",
"Cookie": "xxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxx"
} # 此处放入自己的Cookie
request = urllib.request.Request(url, headers=headers)
response = urllib.request.urlopen(request)
# print(response.read())
return response.read().decode("utf-8")
def parse_page(html):
# 商品名称: //*[@id="J_goodsList"]/ul/li[1]/div/div[3]/a/em/text()
# 商品价格://*[@id="J_goodsList"]/ul/li[1]/div/div[2]/strong/i/text()
# 商品配置://*[@id="J_goodsList"]/ul/li[1]/div/div[3]/span/span/b/text()
root = etree.HTML(html)
name = root.xpath('//*[@id="J_goodsList"]/ul/li[1]/div/div[3]/a/em/text()')
price = root.xpath('//*[@id="J_goodsList"]/ul/li[1]/div/div[2]/strong/i/text()')
attr = root.xpath('//*[@id="J_goodsList"]/ul/li[1]/div/div[3]/span/span/b/text()')
# print(name)
# print(price)
# print(attr)
item = {"商品名称": name, "商品价格": price, "商品配置": attr}
print(item)
def tieba_spider():
url = "https://list.jd.com/list.html?cat=670%2C671%2C672&page=1"
html = load_page(url, "")
# print(html)
parse_page(html)
if __name__ == "__main__":
tieba_spider()
代码分析:
-
导入模块:导入了
urllib.request
、urllib.parse
、time
和etree
模块。urllib.request
和urllib.parse
用于发送 HTTP 请求和解析 URL,time
用于时间相关操作,etree
用于解析 HTML。 -
定义
load_page
函数:发送请求并获取服务器响应的文件内容。- 接受两个参数
url
和filename
,其中url
是需要爬取的网页地址,filename
没有被使用。 - 定义了一个字典类型的
headers
,其中包含了 User-Agent 和 Cookie 等信息,模拟浏览器的请求。 - 使用
urllib.request.Request()
构造了一个请求对象request
,将url
和headers
传递给它。 - 通过
urllib.request.urlopen()
发送了请求,并将响应保存在response
中。 - 最后通过
response.read().decode("utf-8")
读取响应内容,并以 UTF-8 编码解码为字符串,并返回。
- 接受两个参数
-
定义
parse_page
函数:解析 HTML 页面,提取商品信息。- 使用
etree.HTML()
将 HTML 字符串解析为 etree 对象。 - 使用 XPath 表达式提取商品名称、价格和配置信息。
- 将提取到的信息封装成字典
item
。
- 使用
-
定义
tieba_spider
函数:爬虫的入口函数。- 定义了
url
变量,指定要爬取的京东商品列表页面的 URL。 - 调用了
load_page
函数,将url
作为参数传入,并将返回的 HTML 内容保存在html
变量中。 - 调用
parse_page
函数,将html
作为参数传入,解析页面内容。
- 定义了
-
入口点判断:
if __name__=="__main__":
语句判断是否以主程序方式执行。- 如果是,则调用
tieba_spider()
函数开始执行爬取。
- 如果是,则调用
任务三:
改进任务2的代码,使代码具有一定的通用性,用户输入爬取的起始页码、终止页码,提取范围内所有商品信息,将每页数据组合成items,并输出到屏幕。
Code:
import urllib.request
import urllib.parse
import time
from lxml import etree
def load_page(url, filename):
'''
作用:根据url发送请求,获取服务器响应文件
url:需要爬取的url地址
1、定义headers
2、定义request
3、获得response
4、返回内容
'''
headers = {
"User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/106.0.0.0 Safari/537.36",
"Cookie": "xxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxx"
} # 此处放入自己的Cookie
request = urllib.request.Request(url, headers=headers)
response = urllib.request.urlopen(request)
# print(response.read())
return response.read().decode("utf-8")
def parse_page(html):
# 商品名称: //*[@id="J_goodsList"]/ul/li[1]/div/div[3]/a/em/text()
# 商品价格://*[@id="J_goodsList"]/ul/li[1]/div/div[2]/strong/i/text()
# 商品配置://*[@id="J_goodsList"]/ul/li[1]/div/div[3]/span/span/b/text()
root = etree.HTML(html)
lis = root.xpath('//*[@id="J_goodsList"]/ul/li')
# print(len(lis))
items = []
for i in range(1, len(lis) + 1):
name = root.xpath('//*[@id="J_goodsList"]/ul/li[' + str(i) + ']/div/div[3]/a/em/text()')
price = root.xpath('//*[@id="J_goodsList"]/ul/li[' + str(i) + ']/div/div[2]/strong/i/text()')
attr = root.xpath('//*[@id="J_goodsList"]/ul/li[' + str(i) + ']/div/div[3]/span/span/b/text()')
# print(i)
# print(name)
# print(price)
# print(attr)
item = {"商品名称": name, "商品价格": price, "商品配置": attr}
items.append(item)
print(items)
def tieba_spider(begin, end):
url = "https://list.jd.com/list.html?cat=670%2C671%2C672&page="
for i in range(int(begin), int(end) + 1):
pageurl = url + str(i)
print(pageurl)
html = load_page(pageurl, "")
# print(html)
parse_page(html)
if __name__ == "__main__":
begin = input("请输入起始页码:")
end = input("请输入结束页码:")
tieba_spider(begin, end)
代码分析:
-
导入模块:导入了
urllib.request
、urllib.parse
、time
和etree
模块。urllib.request
和urllib.parse
用于发送 HTTP 请求和解析 URL,time
用于时间相关操作,etree
用于解析 HTML。 -
定义
load_page
函数:发送请求并获取服务器响应的文件内容。- 接受两个参数
url
和filename
,其中url
是需要爬取的网页地址,filename
没有被使用。 - 定义了一个字典类型的
headers
,其中包含了 User-Agent 和 Cookie 等信息,模拟浏览器的请求。 - 使用
urllib.request.Request()
构造了一个请求对象request
,将url
和headers
传递给它。 - 通过
urllib.request.urlopen()
发送了请求,并将响应保存在response
中。 - 最后通过
response.read().decode("utf-8")
读取响应内容,并以 UTF-8 编码解码为字符串,并返回。
- 接受两个参数
-
定义
parse_page
函数:解析 HTML 页面,提取商品信息。- 使用
etree.HTML()
将 HTML 字符串解析为 etree 对象。 - 使用 XPath 表达式提取商品名称、价格和配置信息。
- 将提取到的信息封装成字典
item
。 - 将多个商品字典存入列表
items
中,并打印出来。
- 使用
-
定义
tieba_spider
函数:爬虫的入口函数。- 接受两个参数
begin
和end
,分别表示起始页码和结束页码。 - 循环遍历从起始页码到结束页码的每一页,构造相应的页面 URL。
- 调用
load_page
函数,将页面 URL 作为参数传入,并将返回的 HTML 内容保存在html
变量中。 - 调用
parse_page
函数,将html
作为参数传入,解析页面内容。
- 接受两个参数
-
入口点判断:
if __name__=="__main__":
语句判断是否以主程序方式执行。- 如果是,则获取用户输入的起始页码和结束页码,调用
tieba_spider()
函数开始执行爬取。
- 如果是,则获取用户输入的起始页码和结束页码,调用
如何查找自己的Cookie
- 首先,登录京东商城。
- F12,打开开发者模式
- 点击网络
- 查看自己Cookie