09-數(shù)據(jù)提取-xpath和lxml模塊

  • XPath是在HTML/XML中查找信息的語言
  • lxml模塊

XPath

xpath節(jié)點(diǎn)關(guān)系

每個xml標(biāo)簽都叫做節(jié)點(diǎn),最頂層的節(jié)點(diǎn)為根節(jié)點(diǎn)
節(jié)點(diǎn)選擇工具
Chrome插件 XPath Helper 密碼:337b

xpath語法

路徑表達(dá)式

表達(dá)式 描述
節(jié)點(diǎn)名稱 選中該元素
/ 從根節(jié)點(diǎn)選取屠凶、或者是元素和元素間的過渡
// 獲取任意字節(jié)
. 選取當(dāng)前節(jié)點(diǎn)
.. 選取當(dāng)前節(jié)點(diǎn)的父節(jié)點(diǎn)
@屬性值 選取屬性
text() 選取文本

查找特定節(jié)點(diǎn)

路徑表達(dá)式 結(jié)果
節(jié)點(diǎn)名稱[@屬性="值"] 選取該節(jié)點(diǎn)屬性值的所有節(jié)點(diǎn)元素
/父節(jié)點(diǎn)/子節(jié)點(diǎn)[1] 選取父節(jié)點(diǎn)的第一個子節(jié)點(diǎn)
/父節(jié)點(diǎn)/子節(jié)點(diǎn)[last()] 選取父節(jié)點(diǎn)的倒數(shù)第一個子節(jié)點(diǎn)
/父節(jié)點(diǎn)/子節(jié)點(diǎn)[last()-1] 選取父節(jié)點(diǎn)的倒數(shù)第二個子節(jié)點(diǎn)
/父節(jié)點(diǎn)/子節(jié)點(diǎn)[position()>1] 選擇父節(jié)點(diǎn)下面的子節(jié)點(diǎn)腻窒,從第二個開始選擇
//節(jié)點(diǎn)名稱/title[text()='Harry Potter'] 選擇所有節(jié)點(diǎn)下的title元素,僅僅選擇文本為Harry Potter的

通配符

路徑表達(dá)式 結(jié)果
/節(jié)點(diǎn)名稱/* 選取節(jié)點(diǎn)下的所有子元素
//* 選取文檔中的所有元素
//title[@*] 選取所有帶有屬性的 title 元素

選取若干路徑
使用“|”運(yùn)算符連接路徑表達(dá)式

lxml模塊

安裝
pip install lxml
使用

  • 導(dǎo)入lxml模塊的etree庫
    from lxml import etree
  • 利用etree.HTML造虏,實(shí)例化Element對象
    使用xpath(路徑表達(dá)式)御吞,返回列表
html = etree.HTML(text) 
ret_list = html.xpath("xpath字符串")

作業(yè):

用XPath來做一個簡單的爬蟲麦箍,爬取某個貼吧里的所有帖子,獲取每個帖子的標(biāo)題陶珠,連接和帖子中圖片

#coding:utf-8
import os
import requests
from lxml import etree

"""
用XPath來做一個簡單的爬蟲挟裂,爬取某個貼吧里的所有帖子,獲取每個帖子的標(biāo)題揍诽,連接和帖子中圖片
"""

class TieBa():

    def __init__(self):
        self.url = "http://tieba.baidu.com/f?ie=utf-8&kw=python&fr=search"
        self.headers = {
            "User-Agent": "Mozilla/4.0 (compatible; MSIE 5.01; Windows NT 5.0) "
        }

    def get_data(self, url):
        response = requests.get(url, headers=self.headers)
        return response.content

    def parse_data(self, data):
        # 解析:獲取每個帖子的標(biāo)題诀蓉,連接和帖子中圖片
        html = etree.HTML(data)
        dt_list = html.xpath('//ul[@id="thread_list"]/li/div/div/div/div/a')
        data_list = []
        for dt in dt_list:
            temp = {}
            # xpath()返回的是個列表
            temp['title'] = dt.xpath('./text()')[0]
            temp['link'] = 'https://tieba.baidu.com' + dt.xpath('./@href')[0]
            data_list.append(temp)
        # 匹配下一頁的鏈接
        try:
            next_url = 'http:' + html.xpath('//a[text()="下一頁>"]/@href')[0]
        except:
            next_url = None
        return data_list, next_url

    def image_data(self, data):
        html = etree.HTML(data)
        image_list = html.xpath('//*[contains(@id,"post_content_")]/img/@src')
        return image_list

    def download(self, image_list):
        if not os.path.exists('images'):
            os.makedirs('images')
        for image in image_list:
            # os.sep根據(jù)所屬平臺生成分隔符
            filename='images'+os.sep+image.split("/")[-1]
            if "sign" in image:
                data=self.get_data(image)
                with open(filename, 'wb') as f:
                    f.write(data)

    def run(self):
        # url
        # header
        next_url = self.url
        # 循環(huán)
        while True:
            # 發(fā)送請求獲取響應(yīng)
            data = self.get_data(next_url)
            # 解析:獲取每個帖子的標(biāo)題,連接
            data_list, next_url = self.parse_data(data)
            print(data_list)
            # 打開每個帖子詳情頁暑脆,解析渠啤,獲取圖片鏈接,下載
            for data in data_list:
                tz_url=data['link']
                tz_data = self.get_data(tz_url)
                image_list = self.image_data(tz_data)
                print(image_list)
                # 保存
                self.download(image_list)
            # 根據(jù)是否有下一頁判斷是否退出循環(huán)
                if not next_url:
                    break

if __name__ == "__main__":
    baidu = TieBa()
    baidu.run()
?著作權(quán)歸作者所有,轉(zhuǎn)載或內(nèi)容合作請聯(lián)系作者
  • 序言:七十年代末饵筑,一起剝皮案震驚了整個濱河市埃篓,隨后出現(xiàn)的幾起案子,更是在濱河造成了極大的恐慌根资,老刑警劉巖架专,帶你破解...
    沈念sama閱讀 218,122評論 6 505
  • 序言:濱河連續(xù)發(fā)生了三起死亡事件,死亡現(xiàn)場離奇詭異玄帕,居然都是意外死亡部脚,警方通過查閱死者的電腦和手機(jī),發(fā)現(xiàn)死者居然都...
    沈念sama閱讀 93,070評論 3 395
  • 文/潘曉璐 我一進(jìn)店門裤纹,熙熙樓的掌柜王于貴愁眉苦臉地迎上來委刘,“玉大人,你說我怎么就攤上這事鹰椒∥疲” “怎么了?”我有些...
    開封第一講書人閱讀 164,491評論 0 354
  • 文/不壞的土叔 我叫張陵漆际,是天一觀的道長淆珊。 經(jīng)常有香客問我,道長奸汇,這世上最難降的妖魔是什么施符? 我笑而不...
    開封第一講書人閱讀 58,636評論 1 293
  • 正文 為了忘掉前任,我火速辦了婚禮擂找,結(jié)果婚禮上戳吝,老公的妹妹穿的比我還像新娘。我一直安慰自己贯涎,他們只是感情好听哭,可當(dāng)我...
    茶點(diǎn)故事閱讀 67,676評論 6 392
  • 文/花漫 我一把揭開白布。 她就那樣靜靜地躺著,像睡著了一般欢唾。 火紅的嫁衣襯著肌膚如雪且警。 梳的紋絲不亂的頭發(fā)上,一...
    開封第一講書人閱讀 51,541評論 1 305
  • 那天礁遣,我揣著相機(jī)與錄音斑芜,去河邊找鬼。 笑死祟霍,一個胖子當(dāng)著我的面吹牛杏头,可吹牛的內(nèi)容都是我干的。 我是一名探鬼主播沸呐,決...
    沈念sama閱讀 40,292評論 3 418
  • 文/蒼蘭香墨 我猛地睜開眼醇王,長吁一口氣:“原來是場噩夢啊……” “哼!你這毒婦竟也來了崭添?” 一聲冷哼從身側(cè)響起寓娩,我...
    開封第一講書人閱讀 39,211評論 0 276
  • 序言:老撾萬榮一對情侶失蹤,失蹤者是張志新(化名)和其女友劉穎呼渣,沒想到半個月后棘伴,有當(dāng)?shù)厝嗽跇淞掷锇l(fā)現(xiàn)了一具尸體,經(jīng)...
    沈念sama閱讀 45,655評論 1 314
  • 正文 獨(dú)居荒郊野嶺守林人離奇死亡屁置,尸身上長有42處帶血的膿包…… 初始之章·張勛 以下內(nèi)容為張勛視角 年9月15日...
    茶點(diǎn)故事閱讀 37,846評論 3 336
  • 正文 我和宋清朗相戀三年焊夸,在試婚紗的時候發(fā)現(xiàn)自己被綠了。 大學(xué)時的朋友給我發(fā)了我未婚夫和他白月光在一起吃飯的照片蓝角。...
    茶點(diǎn)故事閱讀 39,965評論 1 348
  • 序言:一個原本活蹦亂跳的男人離奇死亡阱穗,死狀恐怖,靈堂內(nèi)的尸體忽然破棺而出使鹅,到底是詐尸還是另有隱情揪阶,我是刑警寧澤,帶...
    沈念sama閱讀 35,684評論 5 347
  • 正文 年R本政府宣布患朱,位于F島的核電站鲁僚,受9級特大地震影響,放射性物質(zhì)發(fā)生泄漏麦乞。R本人自食惡果不足惜,卻給世界環(huán)境...
    茶點(diǎn)故事閱讀 41,295評論 3 329
  • 文/蒙蒙 一劝评、第九天 我趴在偏房一處隱蔽的房頂上張望姐直。 院中可真熱鬧,春花似錦蒋畜、人聲如沸声畏。這莊子的主人今日做“春日...
    開封第一講書人閱讀 31,894評論 0 22
  • 文/蒼蘭香墨 我抬頭看了看天上的太陽插龄。三九已至愿棋,卻和暖如春,著一層夾襖步出監(jiān)牢的瞬間均牢,已是汗流浹背糠雨。 一陣腳步聲響...
    開封第一講書人閱讀 33,012評論 1 269
  • 我被黑心中介騙來泰國打工, 沒想到剛下飛機(jī)就差點(diǎn)兒被人妖公主榨干…… 1. 我叫王不留徘跪,地道東北人甘邀。 一個月前我還...
    沈念sama閱讀 48,126評論 3 370
  • 正文 我出身青樓,卻偏偏與公主長得像垮庐,于是被迫代替她去往敵國和親松邪。 傳聞我的和親對象是個殘疾皇子,可洞房花燭夜當(dāng)晚...
    茶點(diǎn)故事閱讀 44,914評論 2 355

推薦閱讀更多精彩內(nèi)容