前往小程序,Get更优阅读体验!
立即前往
首页
学习
活动
专区
工具
TVP
发布
社区首页 >专栏 >Python爬虫——XPath

Python爬虫——XPath

作者头像
羊羽shine
发布2019-05-28 13:31:58
6500
发布2019-05-28 13:31:58
举报
文章被收录于专栏:Golang开发Golang开发

XPath

表达式

描述

nodename

选取此节点的所有子节点

/

从根节点选取

//xxx

从匹配选择的当前节点选择文档中的节点,而不考虑它们的位置

.

选取当前节点

..

选取当前节点的父节点

@xxx

选取属性内容

/text()

选取文本内容

starts-with(@属性名称,属性字符相同部分)

以相同字符开始

演示使用HTML内容

代码语言:javascript
复制
html = '''
<!DOCTYPE html>
<html>
<head lang="en">
    <meta charset="UTF-8">
    <title>测试-常规用法</title>
</head>
<body>
<div id="content">
    <ul id="test1">
        <li>这是第一条信息</li>
        <li>这是第二条信息</li>
        <li>这是第三条信息</li>
    </ul>
    <ul id="test2">
        <li>这是第4条信息</li>
        <li>这是第5条信息</li>
        <li>这是第6条信息</li>
    </ul>
    <div id="url">
        <a href="http://www.baidu.com">百度</a>
        <a href="http://www.163.com" title="Netease">网易</a>
    </div>
</div>
</body>
</html>
'''

lxml库

代码语言:javascript
复制
from lxml import etree
selector = etree.HTML()
content = selector.xpath()

/代表根节点开始的逐层获取

代码语言:javascript
复制
from lxml import etree
selector = etree.HTML(html)
content = selector.xpath('/html/head/title/text()')
print(content)

获取所有的li标签

代码语言:javascript
复制
selector = etree.HTML(html)
content = selector.xpath('//li')
for c in content:
    print(c)

获取所有title属性的值

代码语言:javascript
复制
selector = etree.HTML(html)
content = selector.xpath('//@title')
for c in content:
    print(c)

[]获取列表的index

代码语言:javascript
复制
selector = etree.HTML(html)
content = selector.xpath('//ul[2]/li[1]/text()')
for c in content:
    print(c)
# 这是第4条信息

获取所有的li的文本内容,无论在什么位置

代码语言:javascript
复制
selector = etree.HTML(html)
content = selector.xpath('//li/text()')
for c in content:
    print(c)

image.png

获取属性id=url的div下层的a标签所有href地址

代码语言:javascript
复制
selector = etree.HTML(html)
content = selector.xpath('//div[@id="url"]/a/@href')
for c in content:
    print(c)

获取属性class="test1"的ul下层的最后一个li标签的文本内容

代码语言:javascript
复制
selector = etree.HTML(html)
content = selector.xpath('//ul[@class="test1"]/li[last()]/text()')
print(content)

获取所有含有id属性且值为test1的ul下层li的文字内容

代码语言:javascript
复制
selector = etree.HTML(html)
content = selector.xpath('//ul[@id="test1"]/li/text()')
for c in content:
    print(c)

豆瓣读书250数据抓取

代码语言:javascript
复制
<table width="100%">
    <tbody><tr class="item">
        <td width="100" valign="top">
            <a class="nbg" href="https://book.douban.com/subject/25862578/" onclick="moreurl(this,{i:'1'})">
                <img src="https://img3.doubanio.com/view/subject/m/public/s27264181.jpg" width="90">
            </a>
        </td>
        <td valign="top">
            <div class="pl2">
                <a href="https://book.douban.com/subject/25862578/" onclick="&quot;moreurl(this,{i:'1'})&quot;" title="解忧杂货店">
                    解忧杂货店
                </a>
                <br>
                <span style="font-size:12px;">ナミヤ雑貨店の奇蹟</span>
            </div>
            <p class="pl">[日] 东野圭吾 / 李盈春 / 南海出版公司 / 2014-5 / 39.50元</p>
            <div class="star clearfix">
                <span class="allstar45"></span>
                <span class="rating_nums">8.6</span>
                <span class="pl">(
                    294790人评价
                )</span>
            </div>           
            <p class="quote" style="margin: 10px 0; color: #666">
                <span class="inq">一碗精心熬制的东野牌鸡汤,拒绝很难</span>
            </p>
        </td>
    </tr>
</tbody></table>

image.png

代码语言:javascript
复制
import requests
from lxml import etree

headers={
    'Accept':'*/*',
    'Accept-Encoding':'gzip, deflate',
    'Accept-Language':'zh-CN,zh;q=0.8',
    'Connection':'keep-alive',
    'Origin':'https://book.douban.com',
    'Referer':'https://book.douban.com/',
    'User-Agent':'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/49.0.2623.221 Safari/537.36 SE 2.X MetaSr 1.0'
}
for i in range(0, 10):
    url = 'https://book.douban.com/top250?start={}'.format(i * 25)
    html = requests.get(url, headers=headers).content
    sel = etree.HTML(html)
    tables = sel.xpath('//div[@class="indent"]/table')
    for table in tables:
        item = table.xpath('tr[@class="item"]/td[@valign="top"][2]')
        print(item[0].xpath('div[@class="pl2"]/a/@title')[0])
        print(item[0].xpath('p[@class="pl"]/text()')[0])
        quote = item[0].xpath('p[@class="quote"]/span/text()')
        if quote:
            print([0])
本文参与 腾讯云自媒体分享计划,分享自作者个人站点/博客。
原始发表:2018.07.28 ,如有侵权请联系 cloudcommunity@tencent.com 删除

本文分享自 作者个人站点/博客 前往查看

如有侵权,请联系 cloudcommunity@tencent.com 删除。

本文参与 腾讯云自媒体分享计划  ,欢迎热爱写作的你一起参与!

评论
登录后参与评论
0 条评论
热度
最新
推荐阅读
目录
  • XPath
  • lxml库
  • 豆瓣读书250数据抓取
领券
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档