使用xpath解析爬蟲數(shù)據(jù)

1. 獲取網(wǎng)頁資源

    url = "https://www.douban.com/group/explore"
    headers = {
        "User-Agent": "Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 5.1; 360SE)"
    }
    response = requests.get(url, headers=headers)

2. xpath解析頁面(from lxml import etree)

2.1 先將html文本對象轉(zhuǎn)換為etree_html對象

etree_html = etree.HTML(html)

2.2 匹配所有節(jié)點(diǎn)

# 匹配所有節(jié)點(diǎn) //*
result = etree_html.xpath('//*')

2.3 匹配所有子節(jié)點(diǎn)

# 匹配所有子節(jié)點(diǎn)a 并文本獲?。簍ext()
result = etree_html.xpath('//a/text()')
print(result)

2.4 查找元素子節(jié)點(diǎn)

# 查找元素子節(jié)點(diǎn) /
result = etree_html.xpath('//div/p/text()')
print(result)

2.5 獲取當(dāng)前節(jié)點(diǎn)的父節(jié)點(diǎn)

父節(jié)點(diǎn) ..  類似于cd ../,查找當(dāng)前節(jié)點(diǎn)的父節(jié)點(diǎn)
result = etree_html.xpath('//span[@class="pubtime"]/../span/a/text()')

2.6 屬性

單屬性匹配 [@class="xxx"]
#文本匹配 text() 獲取所有文本//text()
result = etree_html.xpath('//div[@class="article"]//text()')
屬性多值匹配 contains(@class 'xx'),說明:當(dāng)該class有多個值時,使用contains包含
result = etree_html.xpath('//div[contains(@class, "grid-16-8")]//div[@class="likes"]/text()[1]')
多屬性匹配
# 多屬性匹配 or, and, mod, //book | //cd, + - * div = != < > <= >=
# 按序選擇 [1] [last()] [position() < 3] [last() -2] 該選擇器是放在xpath內(nèi)部的,如上多值匹配
result = etree_html.xpath('//span[@class="pubtime" and contains(text(), "昨天")]/text()')
print(result)
屬性獲取
result = etree_html.xpath('//div[@class="article"]/div/div/@class')[0]
print(result)
result = etree_html.xpath('//div[@class="bd"]/h3/a/@href')
print(result)

2.7 節(jié)點(diǎn)軸(了解)

//li/ancestor::*  所有祖先節(jié)點(diǎn)
//li/ancestor::div div這個祖先節(jié)點(diǎn)
//li/attribute::* attribute軸,獲取li節(jié)點(diǎn)所有屬性值
//li/child::a[@href="link1.html"]  child軸,獲取直接子節(jié)點(diǎn)
//li/descendant::span 獲取所有span類型的子孫節(jié)點(diǎn)
//li/following::* 選取文檔中當(dāng)前節(jié)點(diǎn)的結(jié)束標(biāo)記之后的所有節(jié)點(diǎn)
//li/following-sibling::*     選取當(dāng)前節(jié)點(diǎn)之后的所有同級節(jié)點(diǎn),第一個不算
result = etree_html.xpath('//div[@class="channel-item"]/following-sibling::*')
print(result)
print(len(result))
result = etree_html.xpath('//div[@class="channel-item"][1]/following-sibling::*')
print(result)
print(len(result))
?著作權(quán)歸作者所有,轉(zhuǎn)載或內(nèi)容合作請聯(lián)系作者
【社區(qū)內(nèi)容提示】社區(qū)部分內(nèi)容疑似由AI輔助生成,瀏覽時請結(jié)合常識與多方信息審慎甄別。
平臺聲明:文章內(nèi)容(如有圖片或視頻亦包括在內(nèi))由作者上傳并發(fā)布,文章內(nèi)容僅代表作者本人觀點(diǎn),簡書系信息發(fā)布平臺,僅提供信息存儲服務(wù)。

相關(guān)閱讀更多精彩內(nèi)容

  • 一、前言 通過前面的文章,我們已經(jīng)知道了如何獲取網(wǎng)頁和下載文件,但是前面我們獲取的網(wǎng)頁都是未經(jīng)處理的,冗余的信息太...
    漁父歌閱讀 25,686評論 1 19
  • 什么是XPath? xpath(XML Path Language)是一門在XML和HTML文檔中查找信息的語言,...
    朝南而行_閱讀 1,585評論 0 3
  • ···lxml用法源自 lxml python 官方文檔,更多內(nèi)容請直接參閱官方文檔,本文對其進(jìn)行翻譯與整理。lx...
    小豐豐_72a2閱讀 1,100評論 0 1
  • 走時 從未想過回首 可我竟摸著蒼黑的夜回來了 回來了 臨著緩緩東去的渦水 竟成了岸柳依依的影 多少日了 渦水的流啊...
    走不了閱讀 357評論 0 3
  • 壞情緒也不要都說給別人聽 不管怎么樣 夜晚你就睡覺吧 白天你就出去散散心 陰天你就吃好喝好 雨天你就聽聽雨 要記得...
    刀子ABC閱讀 1,336評論 0 1

友情鏈接更多精彩內(nèi)容