爬虫解析——Xpath的安装及使用（五）

分类:热门推荐日期:2024-05-11浏览:1评论:0

目录

一、Xpath插件的安装

二、安装 lxml

三、Xpath解析文件

1.解析本地文件

（1）导入本地文件

（2）解析本地文件

2.服务器文件解析

（1）获取网页源码

（2）解析服务器响应文件

四、Xpath-抓取图片

1.设置url

2.请求对象定制

3.获取网页源码

 4.下载图片

5.调用

参考

Xpath可以解析两种文件

  • etree.parse() 解析本地文件：html_tree = etree.parse( 'xx.html')
  • etree.HTML()服务器响应文件：html_tree = etree.HTML(response.read( ).decode( utf-8")

Xpath基本语法

html_tree.xpath(xpath路经)

1.路径查询

        //: 查找所有子孙节点，不考虑层级关系（子和孙所有节点）

        /: 找直接子节点

2.谓词查询

        //div[@id]

        //div[@id="maincontent"]

3.属性查询

        //div/@class

4.模湖查询

        //div[contains(@id，"he")]

        //div[starts-with(@id,"he")]

5.内容查询

        //div/h1/text()

6.逻辑运算

        //div[@id="head” and @]

        //title | //price

一、Xpath插件的安装

进入chrome应用商店

搜索 Xpath helpler 

选择这个安装 

怎么看扩展是否安装成功呢？

随便打开一个页面，然后 按快捷键 Ctrl+Shift+X

出现这个黑色的框框就算安装成功了

二、安装 lxml

在环境中

pip install lxml

三、Xpath解析文件

1.解析本地文件

（1）导入本地文件

from lxml import etree
# Xpath解析有两种解析文件
# 1.本地文件    etree.parse( 'xx.html')
# 2.服务器相应数据  response.read().decode('utf-8') 【主要用这个】    etree.HTML(response.read( ).decode("utf-8")
tree = etree.parse('_070.html')
print(tree)

报错：

 需要将本地文件中的meta加一个结束标签

然后重新运行就可以了

（2）解析本地文件

本地的 HTML 文件 

内容查询
# text() 获取标签中的内容
# 路径查询
# 查找 ul 下面的 li
# li_list = tree.xpath('//body/ul/li')
li_list = tree.xpath('//body/ul/li/text()')
print(li_list)

 不用内容查询

使用内容查询

路径查询
# text() 获取标签中的内容
# 路径查询
# 查找 ul 下面的 li
li_list = tree.xpath('//body/ul/li/text()')
print(li_list)
谓词查询
# 谓词查询
# 查找所有有id属性的 
  •  标签
li_list = tree.xpath('//ul/li[@id]/text()')
print(li_list)

    • # 谓词查询
# 查找id为 ‘l1’ 的 
  •  标签
li_list = tree.xpath('//ul/li[@id="l1"]/text()')
print(li_list)
    • 属性查询
    # 属性查询
# 查询
  • 标签的class属性的属性值
li_list = tree.xpath('//ul/li/@class')
print(li_list)
    • # 查询id 为 ‘l1’ 的
  • 标签的class属性的属性值
li_list = tree.xpath('//ul/li[@id="l1"]/@class')
print(li_list)
    • 模糊查询
    # 模糊查询
# 查找 
  •  标签的id中包含 ‘l’ 的标签
li_list = tree.xpath('//ul/li[contains(@id,"l")]/text()')
print(li_list)
    • # 查找 
  •  标签的id中以‘s’开头的标签
li_list = tree.xpath('//ul/li[starts-with(@id,"s")]/text()')
print(li_list)
    • 逻辑查询
    # 逻辑运算
# 查询
  • 标签中id为‘l1’且class的属性值为‘c1’的标签
li_list = tree.xpath('//ul/li[@id="l1" and @]/text()')
print(li_list)
    • # 查询
  • 标签中id为‘s1’或者class为‘c1’的标签
li_list = tree.xpath('//ul/li[@id="s1"]/text() | //ul/li[@]/text()')
print(li_list)

    • 2.服务器文件解析

    （1）获取网页源码

    # 1.获取网页的源码
url = 'https://www.baidu.com/'
headers = {
        "User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/118.0.0.0 Safari/537.36 Edg/118.0.2088.76"
}
# 请求对象定制
request = urllib.request.Request(url, headers=headers)
# 模拟客户端向服务器发送请求
response = urllib.request.urlopen(request)
# 获取网页源码
content = response.read().decode('utf-8')
print(content)

    （2）解析服务器响应文件

    # 解析服务器响应的文件
tree = etree.HTML(content)

    我们应该如何获取Xpath呢？

    之前安装的Xpath扩展就起作用了

    我们 Ctrl + Shift + X打开扩展

    右键页面打开检查，定位到“百度一下” 【我们要想要获取“百度一下”这个字段】

    然后我们就可以根据检查中html标签的描述，在黑色框的左侧写 查询代码，右侧则显示查询结果，查询正确时，右侧框中则会出现你想要的东西，我们复制这个Xpath路径。

    将复制的Xpath路径填入代码，运行就可以看到，我们已经成功获取了“百度一下这个字段”

    # 打印
result= tree.xpath('//input[@id="su"]/@value')
print(result)

    还有一种获取Xpath的方法

    右键网页，点击检查，点击箭头，然后选中页面中“百度一下”这个框，检查中就会点位到这个框的位置，然后右键这个位置，选择copy，选择copy Xpath，就会得到一个定位到百度一下这个框的代码  //*[@id="su"]

    然后补充自己想要获取的值（@value）就可以

    result = tree.xpath('//*[@id="su"]/@value')
print(result)

    本地文件解析完整代码：

    from lxml import etree
# Xpath解析有两种解析文件
# 1.本地文件    etree.parse( 'xx.html')
# 2.服务器相应数据  response.read().decode('utf-8') 【主要用这个】    etree.HTML(response.read( ).decode("utf-8")
##############################
########   本地文件解析 ########
#############################
# 导入 本地html文件
tree = etree.parse('_070.html')
# text() 获取标签中的内容
# 路径查询
# 查找 ul 下面的 li
# li_list = tree.xpath('//body/ul/li/text()')
# 谓词查询
# 查找所有有id属性的 
  •  标签
# li_list = tree.xpath('//ul/li[@id]/text()')
# 查找id为 ‘l1’ 的 
  •  标签
# li_list = tree.xpath('//ul/li[@id="l1"]/text()')
# 属性查询
# 查询
  • 标签的class属性的属性值
# li_list = tree.xpath('//ul/li/@class')
# 查询id 为 ‘l1’ 的
  • 标签的class属性的属性值
# li_list = tree.xpath('//ul/li[@id="l1"]/@class')
# 模糊查询
# 查找 
  •  标签的id中包含 ‘l’ 的标签
# li_list = tree.xpath('//ul/li[contains(@id,"l")]/text()')
# 查找 
  •  标签的id中以‘s’开头的标签
# li_list = tree.xpath('//ul/li[starts-with(@id,"s")]/text()')
# 逻辑运算
# 查询
  • 标签中id为‘l1’且class的属性值为‘c1’的标签
# li_list = tree.xpath('//ul/li[@id="l1" and @]/text()')
# 查询
  • 标签中id为‘s1’或者class为‘c1’的标签
li_list = tree.xpath('//ul/li[@id="s1"]/text() | //ul/li[@]/text()')
print(li_list)

    • 服务器文件解析完整代码：

    from lxml import etree
import urllib.request
###############################
####### 解析服务器文件 ##########
###############################
# 1.获取网页的源码
url = 'https://www.baidu.com/'
headers = {
        "User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/118.0.0.0 Safari/537.36 Edg/118.0.2088.76"
}
# 请求对象定制
request = urllib.request.Request(url, headers=headers)
# 模拟客户端向服务器发送请求
response = urllib.request.urlopen(request)
# 获取网页源码
content = response.read().decode('utf-8')
# 2.解析服务器响应文件
# 解析服务器响应的文件
tree = etree.HTML(content)
# 打印 Xpath 的返回值是一个列表类型的数据
# result= tree.xpath('//input[@id="su"]/@value')
result = tree.xpath('//*[@id="su"]/@value')
print(result)

    四、Xpath-抓取图片

    抓取站长素材网站的图片

    1.设置url

    查找每一页 url 的规律

    # 找 url 的规律
# url : https://sc.chinaz.com/tupian/cixiutuan.html  page = 1
# url : https://sc.chinaz.com/tupian/cixiutuan_2.html  page = 2
# url : https://sc.chinaz.com/tupian/cixiutuan_3.html  page = 3

    2.请求对象定制

    def create_request(page):
    if page == 1:
        url = 'https://sc.chinaz.com/tupian/cixiutuan.html'
    else:
        url = 'https://sc.chinaz.com/tupian/cixiutuan_'+str(page)+'.html'
    headers = {
        "User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/118.0.0.0 Safari/537.36 Edg/118.0.2088.76"
    }
    request = urllib.request.Request(url, headers=headers)
    return  request

    3.获取网页源码

    def get_content(request):
    response = urllib.request.urlopen(request)
    content = response.read().decode('utf-8')
    return content

     4.下载图片

    通过Xpath获取图片的链接和图片名称

    右键检查 --> 定位到图片的标签行 --> 在Xpath扩展的左侧框中写入Xpath --> 右侧与想要的数据吻合 --> 复制这个Xpath

    但是！！！有时候在网页上获取的Xpath和通过response获取Xpath是不一样的，如果没有返回内容，就把网页下载下来看一下Xpath。

    有时候src并不是真实的路径，可能会在‘data-original’中，重点是要检查content中的内容。

    有的网站也会存在懒加载，src的属性就会变成src2，这个问题就需要根据从content和页面多加辨别。

    def download(content):
    # 下载图片
    # urllib.request.urlretrieve('图片地址', '图片名称')  # 这两项我们都没有,那我们就要先获取
    tree = etree.HTML(content)
    src_list = tree.xpath('//div[@]/div/img/@data-original')
    name_list = tree.xpath('//div[@]/div/img/@alt')
    for i in range(len(name_list)):
        name = name_list[i]
        src = src_list[i]
        url = 'https:' + src
        urllib.request.urlretrieve(url=url, filename='_072_download_img/'+name+'.png')

    5.调用

    start_page = int(input('请输入起始页码'))
end_page = int(input('请输入结束页码'))
for page in range(start_page, end_page+1):
    # 请求对象定制
    response = create_request(page)
    # 获取网页源码
    content = get_content(response)
    # 下载
    download(content)

    完整代码：

    # 站长素材 https://sc.chinaz.com/
# 站长素材 --> 高清图片 --> 选择一个 --> 下载前十页
import urllib.request
from lxml import etree
# 找 url 的规律
# url : https://sc.chinaz.com/tupian/cixiutuan.html  page = 1
# url : https://sc.chinaz.com/tupian/cixiutuan_2.html  page = 2
# url : https://sc.chinaz.com/tupian/cixiutuan_3.html  page = 3
def create_request(page):
    if page == 1:
        url = 'https://sc.chinaz.com/tupian/cixiutuan.html'
    else:
        url = 'https://sc.chinaz.com/tupian/cixiutuan_'+str(page)+'.html'
    headers = {
        "User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/118.0.0.0 Safari/537.36 Edg/118.0.2088.76"
    }
    request = urllib.request.Request(url, headers=headers)
    return request
def get_content(request):
    response = urllib.request.urlopen(request)
    content = response.read().decode('utf-8')
    return content
def download(content):
    # 下载图片
    # urllib.request.urlretrieve('图片地址', '图片名称')  # 这两项我们都没有,那我们就要先获取
    tree = etree.HTML(content)
    src_list = tree.xpath('//div[@]/div/img/@data-original')
    name_list = tree.xpath('//div[@]/div/img/@alt')
    for i in range(len(name_list)):
        name = name_list[i]
        src = src_list[i]
        url = 'https:' + src
        urllib.request.urlretrieve(url=url, filename='_072_download_img/'+name+'.png')
start_page = int(input('请输入起始页码'))
end_page = int(input('请输入结束页码'))
for page in range(start_page, end_page+1):
    # 请求对象定制
    response = create_request(page)
    # 获取网页源码
    content = get_content(response)
    # 下载
    download(content)

    参考

    尚硅谷Python爬虫教程小白零基础速通（含python基础+爬虫案例）

    相关推荐

    关于我们常见问题广告服务免责声明联系我们
    Powered By Z-BlogPHP 1.7.3 Theme By 优美主题
    Copyright Your WebSite.Some Rights Reserved. 浙ICP备2023018783号