爬虫入门-bs4 xpath 正则表达式-task02

爬虫入门-bs4 xpath 正则表达式-task02

一.xpath练习

爬取丁香园-用户名和回复内容

爬取思路：

• 获取url的html
• lxml解析html
• 利用Xpath表达式获取user和content
• 保存爬取的内容

#导入库
from lxml import etree
import requests

url = "http://www.dxy.cn/bbs/thread/626626#626626"
#获取url的html
req = requests.get(url)
html = req.text
#lxml解析html
tree = etree.HTML(html) 
#利用Xpath表达式获取user和content（完成xpath的语句）
user = tree.xpath('//div[@class=“auth”]/a/text()')
# print(user)
content = tree.xpath('//td[@class=“postbody')
#保存爬取的内容
results = []
for i in range(0, len(user)):
    # print(user[i].strip()+":"+content[i].xpath('string(.)').strip())
    # print("*"*80)
    # 因为回复内容中有换行等标签，所以需要用string()来获取数据
    results.append(</