目录:

  • Python网络爬虫(一)- 入门基础
  • Python网络爬虫(二)- urllib爬虫案例
  • Python网络爬虫(三)- 爬虫进阶
  • Python网络爬虫(四)- XPath
  • Python网络爬虫(五)- Requests和Beautiful Soup
  • Python网络爬虫(六)- Scrapy框架
  • Python网络爬虫(七)- 深度爬虫CrawlSpider
  • Python网络爬虫(八) – 利用有道词典实现一个简单翻译程序

1.XPath

XPath 即为XML路径语言(XML Path Language),它是一种用来确定XML文档中某部分位置的语言。它使用路径表达式来选取 XML 文档中的节点或节点集。节点是通过沿着路径 (path) 或者步 (steps) 来选取的。
XPath语法

2.XPath在python中的应用

  • xpath在Python中有一个第三方库,支持~ lxml
    注意:不要直接使用pip install lxml去安装~直接安装很容易安装一个空壳!
  • 安装pip,主要参考博客:

    • python实践系列之(一)安装
    • python︱模块加载(pip安装)以及pycharm安装与报错解决方式
    • 在shell中输入import pip; print(pip.pep425tags.get_supported())可以获取到pip支持的文件名还有版本
  • xpath的安装

    • 通过wheel方式安装
    • 下载对应的wheel文件【和Python版本对应的】
    • 安装wheel插件 :python2 -m pip install wheel
    • 根据下载的本地文件安装lxml:切换到whl文件所在的路径,进行安装
      python2 -m pip install lxml-3.8.0-cp27-none-win32.whlwheel名一定要跟pip支持的文件名和版本符合
  • xpath的使用

    • 获取文本内容用 text()
    • 获取注释用 comment()
    • 获取其它任何属性用@xx,如
      • @href
      • @src
      • @value
  • Python-第三方库requests详解

  • CSS 选择器参考手册

3.XPath中的text()和string()区别

1.XPath中的text()和string()本质区别
  • text()是一个node test,而string()是一个函数,data()是一个函数且可以保留数据类型。此外,还有点号(.)表示当前节点。

2.XML例子:

_知几

用例 举例
text() book/author/text()
string() book/author/string()
data() book/author/data()
. book/author/.

3.特殊用例

XML例子:


    pythondjango爬虫
    
        20
        0.8
    

  • text()

    • 经常在XPath表达式的最后看到text(),它仅仅返回所指元素的文本内容。
let x := book/author/text()
returnx

返回的结果是python 爬虫,其中的django不属于author直接的节点内容。

  • string()

    • string()函数会得到所指元素的所有节点文本内容,这些文本讲会被拼接成一个字符串。
let x := book/author/string()
returnx

返回的内容是python django 爬虫

  • data()

    • 大多数时候,data()函数和string()函数通用,而且不建议经常使用data()函数,有数据表明,该函数会影响XPath的性能。
let x := book/pricing/string()
returnx

返回的是200.8

let x := book/pricing/data()
returnx

这样将返回分开的20和0.8,他们的类型并不是字符串而是>xs:anyAtomicType,于是就可以使用数学函数做一定操作。

let x := book/pricing/price/data()
lety := book/pricing/discount/data()
return x*y

比如上面这个例子,就只能使用data(),不能使用text()string(),因为XPath不支持字符串做数学运算。

text()不是函数,XML结构的细微变化,可能会使得结果与预期不符,应该尽量少用,data()作为特殊用途的函数,可能会出现性能问题,如无特殊需要尽量不用,string()函数可以满足大部分的需求。

4.爬取诛仙前50章内容

主要分三个步骤:

(1)分析小说网址构成;

(2)获取网页,并分离出小说章节名和章节内容;

(3)写入txt文档。

代码操作:

# -*- coding:utf-8 -*-
import urllib,urllib2,re
from lxml import etree

#定义函数,爬取对应的数据
def getText(url,file_name):
    print('开始爬取第%s章的内容'%file_name)
    #伪装请求头
    my_headers = {
        'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/59.0.3071.104 Safari/537.36',
    }
    request = urllib2.Request(url,headers=my_headers)
    content = urllib2.urlopen(request).read()
    return content

#定义函数,保存爬取到的数据
def save(content):
    xml = etree.HTML(content)
    datas = xml.xpath('/html/body/div[@id="main"]/h1 | /html/body/div[@id="main"]/p')

    data = datas[2].xpath('string(.)').encode('utf-8')
    name = datas[0].xpath('string(.)')
    print name
    print('第%s章的内容爬取完成' % file_name)
    with open('txt/%s'%name+'.txt', 'wb') as f:
        f.write(data)


#定义主程序接口
if __name__ == '__main__':
    x=41277
    x_end = x+50
    while x
从本地可以看到已经爬取到相关内容

注解:Xpath的获取

获取数据的Xpath

如果你觉得我的文章还可以,可以关注我的微信公众号:Python攻城狮

可扫描二维码,添加关注

文章来源于互联网:Python网络爬虫(四)- XPath

发表评论