利用xpath爬取糗事百科视频
Xpath解析库介绍:
数据解析的过程中使用过正则表达式, 但正则表达式想要进准匹配难度较高, 一旦正则表达式书写错误, 匹配的数据也会出错.
网页由三部分组成: HTML, Css, JavaScript, HTML页面标签存在层级关系, 即DOM树, 在获取目标数据时可以根据网页层次关系定位标签, 在获取标签的文本或属性.
xpath安装, 初体验 --> 使用步骤:
1.xpath安装: pip install lxml
2.from lxml import etree导包
xpath语法:
-
1.常用规则:
- nodename: 节点名定位
- //: 从当前节点选取子孙节点
- /: 从当前节点选取直接子节点
- nodename[@attribute="…"] 根据属性定位标签
- @attributename: 获取属性
- text(): 获取文本
-
2.属性匹配两种情况: 多属性匹配 & 单属性多值匹配
多属性匹配
示例: tree.xpath(’//div[@class=“item” and @name=“test”]/text()’)
单属性多值匹配
示例: tree.xpath(’//div[contains(@class, “dc”)]/text()’) -
3.按序选择:
索引定位: 从1开始
last()函数
position()函数
代码实现
准备:
代码:
import requests
from lxml import etree
base_url = 'https://www.qiushibaike.com/video/'
headers = {
'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/75.0.3770.142 Safari/537.36'
}
res = requests.get(url=base_url, headers=headers)
# html content
html = res.content.decode('utf-8')
# xpath解析
tree = etree.HTML(html)
# 标题
content = tree.xpath('//*/a/div[@class="content"]/span/text()')
# 视频
video_list = tree.xpath('//*/video[@controls="controls"]/source/@src')
index = 0
for v in video_list:
# 获取视频二进制流
video_content = requests.get(url='https:'+v, headers=headers).content
# 标题
title_1 = content[index].strip('\n')
# 将视频二进制流写入文件
with open(f'video/{title_1}.mp4', 'wb') as f:
f.write(video_content)
index += 1