解决xpath提取不规则网页的问题

在数据采集过程中,面对不规范的HTML页面,xpath解析经常遇到困难。通过引入PyTidyLib库,可以有效解决这个问题。以慧聪网为例,应用PyTidyLib进行数据抓取,确保正确匹配和提取所需信息。
摘要由CSDN通过智能技术生成

在数据采集时,处理不规范的HTML页面是件令人头疼的事。因为不规范的HTML页面往往会引起xpath解析失败,造成得不到正确的数据。
这里引入tidylib,实例采用抓取慧聪网为例子,使用示例如下,

from tidylib import tidy_document
import requests
from lxml import etree

url = "https://s.hc360.com/?w=%BF%D5%B5%F7"
s = requests.Session()
# proxies={
   
#     "https":"https://192.168.43.1:1800"
# }
headers = {
    "Host": "s.hc360.com",
    "user-agent": "Mozilla/5.0 (X11; Linux x86_64) "
                  "AppleWebKit/537.36 (KHTML, like Gecko)"
                  " Chrome/67.0.3396.87 Safari/537.36",
    "cookies": "hcsearchurlport=1; visitid_time=2018-8-27%2011%3A0%3A1; hc360visitid=C81E205C97B000016A91177717E91DA7; hc360first_time=2018-08-27; hcbrowserid=C81E205CA0100001BD5AC09D4D99F260; hckIndex=C81E205CA0A00001613715F0773DE730; topmatchkey=; Hm_lvt_1437b8f613f9fcba581e33d8d178e1f5=1535338807; hccordet=00; hcpreurl=; hclastsearchkeyword=%u7A7A%u8C03; Hm_lvt_e1e386be074a459371b2832363c0d7e7=1535338809; hc360sessionid=C81E205EE6000001B74C508019802980; hc360sessionid=C81E205EE6000001B74C508019802980; hc360firstvisittime=1535338811032; hc360firstvisittime=1535338811032; _ga=GA1.2.1558106052.1535338807; _gid=GA1.2.1254508720.1535338856; hc360analyid=C81E24E7EC600001801D413B1900ED60; hc360analycopyid=C81E24E7EC6000016E7E7D601F0098B0; Hm_lpvt_1437b8f613f9fcba581e33d8d178e1f5=1535345882;"
               " Hm_lpvt_e1e386be074a459371b2832363c0d7e7=1535345884; hc5minbeat=1535346223259"

}
response = s.get(url, headers=headers).text
response, errors = tidy_document(response)
res = etree.HTML(response)
items = res.xpath('//div/ul/li[contains(@class,"grid-list")]')
print(response)
print(len(items))
for item in items:
    d = dict()
    d['name'] = item.xpath('.//div[2]/dl/dd/p/a/text()')
    d['title'] = item.xpath('.//div[@class="NewItem"]/div/a/@title')
    d['price'] = item.xpath('.//div[2]/dl/dt/span/text()')
    d['bcid'] = item.xpath('.//div[@class="NewItem"]/@data-bcid')
    d['username'] =item.xpath('.//div[@class="NewItem"]/@data-username')
    d['tel'] =item.xpath('./@data-telphone')
    d['businid'] =item.xpath('./@data-businid')
    d['sellerproviderid'] =item.xpath('./@data-sellerproviderid')
    d['supcatid'] =item.xpath('./@data-supcatid')
    d['main_product'] =item.xpath('.//div[@class="NewItem"]/@data-obj')
    print(d)

可以匹配导数据

{
  'businid': ['668378345'], 'username': ['yzhh'], 'sellerproviderid': ['100020178332'], 'bcid': ['668378345'], 'tel': ['13801459353'], 'price': ['2.36万/套'], 
  • 0
    点赞
  • 4
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
### 回答1: XPath规则是一种用于在XML文档中定位元素和属性的语法规则。它使用路径表达式来描述文档结构中的节点,可以通过节点名称、属性、位置等方式进行定位。XPath规则通常以斜杠(/)开头,表示从文档根节点开始进行定位。例如,/bookstore/book[1]/title表示定位到第一个book节点的title子节点。XPath规则还支持一些函数和运算符,可以进行更复杂的定位操作。 ### 回答2: XPath(XML Path Language)是一种用于在XML文档中定位元素的规则语言。以下是XPath规则的具体说明: 1. XPath使用路径表达式来定位元素。路径表达式由一系列的节点和操作符组成,用于描述元素的位置关系。 2. XPath使用/符号来表示元素之间的层级关系。例如,/bookstore/book表示bookstore元素下的所有book元素。 3. XPath使用//符号来表示在整个文档中查找元素。例如,//book表示在整个文档中查找所有book元素。 4. XPath使用[@属性名='属性值']来选择具有特定属性值的元素。例如,//book[@category='fiction']表示查找所有category属性值为fiction的book元素。 5. XPath使用[position()]来选择特定位置的元素。例如,//book[position()<3]表示查找前两个book元素。 6. XPath使用[text()]来选择指定文本内容的元素。例如,//book[text()='Harry Potter']表示查找文本内容为Harry Potter的book元素。 7. XPath使用逻辑运算符如and、or和not来组合多个条件。例如,//book[@category='fiction' and @price>10]表示查找category属性值为fiction且price属性大于10的book元素。 8. XPath还支持通配符来选择多个匹配模式的元素。例如,//book[contains(@title, 'XML')]表示查找title属性包含XML的book元素。 总之,XPath提供了丰富的定位和选择元素的规则,使得我们能够更加灵活和精确地在XML文档中定位所需的元素。 ### 回答3: XPath(XML Path Language)是一种用于在XML文档中定位元素的语言。XPath使用路径表达式来选择XML文档中的节点或节点集合。下面是一些XPath规则的具体说明: 1. 节点选择规则: - 路径表达式使用斜杠(/)表示从根节点开始进行路径选择。 - 双斜杠(//)表示选择所有符合条件的节点,不考虑位置。 - 单斜杠(/)表示选择当前节点的直接子节点。 - 句点(.)表示当前节点。 - 句点两个点(..)表示选择当前节点的父节点。 2. 谓语规则: - 谓语用于对节点进行更精确的选择。它们由方括号([])包围。 - 谓语可以包含条件表达式,例如[@属性名称='属性值']用于选择具有指定属性和属性值的节点。 3. 节点类型规则: - XPath指定了不同类型的节点,如元素节点(element node)、属性节点(attribute node)、文本节点(text node)等。 - 使用节点类型来选择特定类型的节点,例如使用@符号选择属性节点。 4. 轴规则: - 轴用于沿着节点和文档树进行导航。 - 常用的轴有child、parent、ancestor、descendant等,它们用于相对于当前节点选择相关节点。 5. 通配符规则: - 通配符“*”用于匹配任意类型的节点。 - 通配符“@*”用于选择具有任意属性的节点。 XPath规则可以根据具体的需求进行组合和嵌套,以便更准确地选择和定位XML文档中的节点。在实际应用中,XPath非常有用,可以用于解析XML文档、提取特定数据和进行数据筛选等任务。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值