99reav在线看,青青草精品www

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，可用來在XML和HTML文檔中對(duì)元素和屬性進(jìn)行遍歷。

XPath開發(fā)工具

Chrome插件XPath Helper。
Firefox插件Try XPath。

XPath語法

選取節(jié)點(diǎn)：

XPath 使用路徑表達(dá)式來選取 XML 文檔中的節(jié)點(diǎn)或者節(jié)點(diǎn)集。這些路徑表達(dá)式和我們?cè)诔Ｒ?guī)的電腦文件系統(tǒng)中看到的表達(dá)式非常相似。

表達(dá)式	描述	示例	結(jié)果
nodename	選取此節(jié)點(diǎn)的所有子節(jié)點(diǎn)	bookstore	選取bookstore下所有的子節(jié)點(diǎn)
/	如果是在最前面，代表從根節(jié)點(diǎn)選取。否則選擇某節(jié)點(diǎn)下的某個(gè)節(jié)點(diǎn)	/bookstore	選取根元素下所有的bookstore節(jié)點(diǎn)
//	從全局節(jié)點(diǎn)中選擇節(jié)點(diǎn)，隨便在哪個(gè)位置	//book	從全局節(jié)點(diǎn)中找到所有的book節(jié)點(diǎn)
@	選取某個(gè)節(jié)點(diǎn)的屬性	//book[@price]	選擇所有擁有price屬性的book節(jié)點(diǎn)
.	當(dāng)前節(jié)點(diǎn)	./a	選取當(dāng)前節(jié)點(diǎn)下的a標(biāo)簽

謂語：

謂語用來查找某個(gè)特定的節(jié)點(diǎn)或者包含某個(gè)指定的值的節(jié)點(diǎn)，被嵌在方括號(hào)中。
在下面的表格中，我們列出了帶有謂語的一些路徑表達(dá)式，以及表達(dá)式的結(jié)果：

路徑表達(dá)式	描述
/bookstore/book[1]	選取bookstore下的第一個(gè)子元素
/bookstore/book[last()]	選取bookstore下的倒數(shù)第二個(gè)book元素。
bookstore/book[position()<3]	選取bookstore下前面兩個(gè)子元素。
//book[@price]	選取擁有price屬性的book元素
//book[@price=10]	選取所有屬性price等于10的book元素
//book[contains(@class,'name')]	選取所有book元素下class屬性包含有name參數(shù)

通配符

*表示通配符。

通配符	描述	示例	結(jié)果
*	匹配任意節(jié)點(diǎn)	/bookstore/*	選取bookstore下的所有子元素。
@*	匹配節(jié)點(diǎn)中的任何屬性	//book[@*]	選取所有帶有屬性的book元素。

選取多個(gè)路徑：

通過在路徑表達(dá)式中使用“|”運(yùn)算符，可以選取若干個(gè)路徑。
示例如下：

//bookstore/book | //book/title
# 選取所有book元素以及book元素下所有的title元素

運(yùn)算符：

lxml庫

lxml 是一個(gè)HTML/XML的解析器，主要的功能是如何解析和提取 HTML/XML 數(shù)據(jù)。

lxml和正則一樣，也是用 C 實(shí)現(xiàn)的，是一款高性能的 Python HTML/XML 解析器，我們可以利用之前學(xué)習(xí)的XPath語法，來快速的定位特定元素以及節(jié)點(diǎn)信息。

lxml python 官方文檔：http://lxml.de/index.html

需要安裝C語言庫，可使用 pip 安裝：pip install lxml

基本使用：

我們可以利用他來解析HTML代碼，并且在解析HTML代碼的時(shí)候，如果HTML代碼不規(guī)范，他會(huì)自動(dòng)的進(jìn)行補(bǔ)全。示例代碼如下：

# 使用 lxml 的 etree 庫
from lxml import etree

text = '''
<div>
    <ul>
         <li class="item-0"><a href="link1.html">first item</a></li>
         <li class="item-1"><a href="link2.html">second item</a></li>
         <li class="item-inactive"><a href="link3.html">third item</a></li>
         <li class="item-1"><a href="link4.html">fourth item</a></li>
         <li class="item-0"><a href="link5.html">fifth item</a> # 注意，此處缺少一個(gè) </li> 閉合標(biāo)簽
     </ul>
 </div>
'''

#利用etree.HTML，將字符串解析為HTML文檔
html = etree.HTML(text)

# 按字符串序列化HTML文檔
result = etree.tostring(html)

print(result)

輸入結(jié)果如下：

<html><body>
<div>
    <ul>
         <li class="item-0"><a href="link1.html">first item</a></li>
         <li class="item-1"><a href="link2.html">second item</a></li>
         <li class="item-inactive"><a href="link3.html">third item</a></li>
         <li class="item-1"><a href="link4.html">fourth item</a></li>
         <li class="item-0"><a href="link5.html">fifth item</a></li>
</ul>
 </div>
</body></html>

可以看到。lxml會(huì)自動(dòng)修改HTML代碼。例子中不僅補(bǔ)全了li標(biāo)簽，還添加了body，html標(biāo)簽。

從文件中讀取html代碼：

除了直接使用字符串進(jìn)行解析，lxml還支持從文件中讀取內(nèi)容。我們新建一個(gè)hello.html文件：

<!-- hello.html -->
<div>
    <ul>
         <li class="item-0"><a href="link1.html">first item</a></li>
         <li class="item-1"><a href="link2.html">second item</a></li>
         <li class="item-inactive"><a href="link3.html"><span class="bold">third item</span></a></li>
         <li class="item-1"><a href="link4.html">fourth item</a></li>
         <li class="item-0"><a href="link5.html">fifth item</a></li>
     </ul>
 </div>

然后利用etree.parse()方法來讀取文件。示例代碼如下：

from lxml import etree

# 讀取外部文件 hello.html
html = etree.parse('hello.html')
result = etree.tostring(html, pretty_print=True)

print(result)

輸入結(jié)果和之前是相同的。

在lxml中使用XPath語法：

獲取所有l(wèi)i標(biāo)簽：

 from lxml import etree

 html = etree.parse('hello.html')
 print type(html)  # 顯示etree.parse() 返回類型

 result = html.xpath('//li')

 print(result)  # 打印<li>標(biāo)簽的元素集合

獲取所有l(wèi)i元素下的所有class屬性的值：

 from lxml import etree

 html = etree.parse('hello.html')
 result = html.xpath('//li/@class')

 print(result)

獲取li標(biāo)簽下href為www.baidu.com的a標(biāo)簽：

 from lxml import etree

 html = etree.parse('hello.html')
 result = html.xpath('//li/a[@href="www.baidu.com"]')

 print(result)

獲取li標(biāo)簽下所有span標(biāo)簽：

 from lxml import etree

 html = etree.parse('hello.html')

 #result = html.xpath('//li/span')
 #注意這么寫是不對(duì)的：
 #因?yàn)?/ 是用來獲取子元素的，而 <span> 并不是 <li> 的子元素，所以，要用雙斜杠

 result = html.xpath('//li//span')

 print(result)

獲取li標(biāo)簽下的a標(biāo)簽里的所有class：

 from lxml import etree

 html = etree.parse('hello.html')
 result = html.xpath('//li/a//@class')

 print(result)

獲取最后一個(gè)li的a的href屬性對(duì)應(yīng)的值：

 from lxml import etree

 html = etree.parse('hello.html')

 result = html.xpath('//li[last()]/a/@href')
 # 謂語 [last()] 可以找到最后一個(gè)元素

 print(result)

獲取倒數(shù)第二個(gè)li元素的內(nèi)容：

 from lxml import etree

 html = etree.parse('hello.html')
 result = html.xpath('//li[last()-1]/a')

 # text 方法可以獲取元素內(nèi)容
 print(result[0].text)

獲取倒數(shù)第二個(gè)li元素的內(nèi)容的第二種方式：

 from lxml import etree

 html = etree.parse('hello.html')
 result = html.xpath('//li[last()-1]/a/text()')

 print(result)

chrome相關(guān)問題：

在62版本（目前最新）中有一個(gè)bug，在頁面302重定向的時(shí)候不能記錄FormData數(shù)據(jù)。這個(gè)是這個(gè)版本的一個(gè)bug。詳細(xì)見以下鏈接：https://stackoverflow.com/questions/34015735/http-post-payload-not-visible-in-chrome-debugger。

在金絲雀版本中已經(jīng)解決了這個(gè)問題，可以下載這個(gè)版本繼續(xù)，鏈接如下：https://www.google.com/chrome/browser/canary.html

實(shí)戰(zhàn)-豆瓣電影爬蟲：

import requests
from lxml import etree


# 1.將目標(biāo)網(wǎng)站的頁面抓取下來
headers = {
    'Host':'movie.douban.com',
    'User-Agent':'Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/68.0.3440.106 Safari/537.36',
    'Referer':'https://www.baidu.com/s?ie=utf-8&f=8&rsv_bp=1&srcqid=2328577874318033697&tn=93006350_hao_pg&wd=douban&oq=%25E8%2585%25BE%25E8%25AE%25AF%25E6%258B%259B%25E8%2581%2598&rsv_pq=a5c9fad500032d39&rsv_t=c45fuFhfw1QXFIl989itMrzlcssxBzOrrVGSndzUMM1KcQQn7C8JY6zoz3pfqLSKLuTd0%2FO8&rqlang=cn&rsv_enter=1&inputT=5137&rsv_sug3=33&rsv_sug2=0&rsv_sug4=5138'
}

url = 'https://movie.douban.com/'
resp = requests.get(url=url,headers=headers)
text = resp.text
# 2.將抓取下來的數(shù)據(jù)根據(jù)一點(diǎn)的規(guī)則進(jìn)行提取
parser = etree.HTMLParser(encoding='utf-8')
html = etree.HTML(text,parser=parser)
ul = html.xpath("http://ul[@class='ui-slide-content']")[0]
lis = ul.xpath("./li")
positions = []
for li in lis:
    url = li.xpath(".//li[@class='poster']/a/@href")[0]
    payUrl = li.xpath(".//li[@class='ticket_btn']//a/@href")[0]
    img = li.xpath(".//img/@src")[0]
    title = li.xpath("@data-title")[0]
    release = li.xpath("@data-release")[0]
    rate = li.xpath("@data-rate")[0]
    director = li.xpath("@data-director")[0]
    actors = li.xpath("@data-actors")[0]
    duration = li.xpath("@data-duration")[0]
    region = li.xpath("@data-region")[0]

    position = {
        'url':url,
        'payUrl':payUrl,
        'img':img,
        'title':title,
        'release':release,
        'rate':rate,
        'director':director,
        'actors':actors,
        'duration':duration,
        'region':region
    }
    positions.append(position)

print(positions)

實(shí)戰(zhàn)-電影天堂爬蟲：

from lxml import etree
import requests


# 分頁爬取和詳情頁面
# BASE_URL = 'http://www.ygdy8.com/'
# url = 'http://www.ygdy8.com/html/gndy/dyzz/list_23_1.html'
# headers = {
#     'User-Agent':'Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/68.0.3440.106 Safari/537.36'
# }
#
# resp = requests.get(url=url,headers=headers)
# text = resp.content.decode('gbk')
#
# parser = etree.HTMLParser(encoding='utf-8')
# html = etree.HTML(text,parser=parser)
# detail_urls = html.xpath("http://table[@class='tbspan']//a/@href")
# for detail_url in detail_urls:
#     print(BASE_URL+detail_url)

# 1. 先抓取每個(gè)頁面的詳情url
BASE_URL = 'http://www.ygdy8.com/'
HEADERS = {
    'User-Agent':'Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/68.0.3440.106 Safari/537.36'
}
def get_detail_urls(url):
    resp = requests.get(url=url, headers=HEADERS)
    #text = resp.content.decode('gbk')
    text = resp.text

    parser = etree.HTMLParser(encoding='utf-8')
    html = etree.HTML(text, parser=parser)
    detail_urls = html.xpath("http://table[@class='tbspan']//a/@href")
    # map將列表的每一項(xiàng)做相同的事情(等價(jià)于以下表達(dá)式)
    # def abc(url):
    #     return BASE_URL+url
    # index = 0
    # for detail_url in detail_urls:
    #     detail_url = abs(detail_url)
    #     detail_urls[index] = detail_url
    #     index += 1
    detail_urls = map(lambda url:BASE_URL+url,detail_urls)
    return detail_urls

def parse_detail_page(url):
    movies = {}
    response = requests.get(url,headers=HEADERS)
    text = response.content.decode('gbk')
    html = etree.HTML(text)
    title = html.xpath("http://div[@class='title_all']//font/text()")[0]
    movies['title'] = title
    imgs = html.xpath("http://div[@id='Zoom']//img")

    if len(imgs) > 0:
        if len(imgs) == 1:
            cover = imgs[0]
            movies['cover'] = cover
            screenshot = ''
            movies['screenshot'] = screenshot
        if len(imgs) == 2:
            cover = imgs[0]
            movies['cover'] = cover
            screenshot = imgs[1]
            movies['screenshot'] = screenshot

    infos = html.xpath("http://div[@id='Zoom']//text()")

    actors = []
    abstracts = []

    # for info in infos:
    for index,info in enumerate(infos):
        # print(info)
        # print(index)
        # startswith 函數(shù)是判斷前面字符是否一樣
        if info.startswith('◎年　　代'):
            #replace 是替換函數(shù)  strip 將一個(gè)字符串的前后空字符全部刪掉
            year = info.replace('◎年　　代','').strip()
            movies['year'] = year

        elif info.startswith('◎產(chǎn)　　地'):
            # replace 是替換函數(shù)  strip 將一個(gè)字符串的前后空字符全部刪掉
            country = info.replace('◎產(chǎn)　　地', '').strip()
            movies['country'] = country

        elif info.startswith('◎類　　別'):
            # replace 是替換函數(shù)  strip 將一個(gè)字符串的前后空字符全部刪掉
            category = info.replace('◎類　　別', '').strip()
            movies['category'] = category

        elif info.startswith('◎語　　言'):
            # replace 是替換函數(shù)  strip 將一個(gè)字符串的前后空字符全部刪掉
            language = info.replace('◎語　　言', '').strip()
            movies['language'] = language

        elif info.startswith('◎主　　演'):
            # replace 是替換函數(shù)  strip 將一個(gè)字符串的前后空字符全部刪掉
            actor = info.replace('◎主　　演', '').strip()
            actors = [actor]
            for x in range(index+1,len(infos)):
                if infos[x].startswith('◎簡　　介 '):
                    break
                actors.append(infos[x].strip())
            movies['actors'] = actors

        elif info.startswith('◎簡　　介'):
            # replace 是替換函數(shù)  strip 將一個(gè)字符串的前后空字符全部刪掉
            # abstract = info.replace('◎簡　　介', '').strip()
            for x in range(index + 1, len(infos)):
                if infos[x].startswith('【下載地址】'):
                    break
                abstract = infos[x].strip()
                abstracts.append(abstract)
            movies['abstract'] = abstracts

    download_url = html.xpath("http://div[@id='Zoom']//td[@style='WORD-WRAP: break-word']/a/@href")[0]
    movies['download_url'] = download_url
    return movies


def spider():
    base_url = 'http://www.ygdy8.com/html/gndy/dyzz/list_23_{}.html'
    for x in range(1,8):
        url = base_url.format(x)
        movie_detail_urls = get_detail_urls(url)
        for movie_detail_url in movie_detail_urls:
            movies = parse_detail_page(movie_detail_url)
            print(movies)


if __name__ == '__main__':
    spider()

實(shí)戰(zhàn)抓取廣西人才網(wǎng)最新的python工程師的招聘信息：

from lxml import etree
import requests


# 實(shí)戰(zhàn)抓取廣西人才網(wǎng)最新的python工程師的招聘信息

BASE_URL = 'http://s.gxrc.com/'
HEADERS = {
    'User-Agent':'Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/68.0.3440.106 Safari/537.36'
}


def spider():
    base_url = 'http://s.gxrc.com/sJob?schType=1&pageSize=20&orderType=0&listValue=1&keyword=python&page={}'
    for x in range(1,7):
        url = base_url.format(x)
        detail_urls = get_detail_urls(url)
        for detail_url in detail_urls:
            detail = parse_detail_page(detail_url)
            print(detail)


def parse_detail_page(url):
    detail = {}
    response = requests.get(url,headers=HEADERS)
    text = response.content.decode('gbk')
    html = etree.HTML(text)
    job = html.xpath("http://div[@class='gsR_con']//h1[@id='positionName']/text()")[0]
    detail['job'] = job.strip()
    company = html.xpath("http://div[@class='gsR_con']//a/text()")[0]
    detail['job'] = company

    infos = html.xpath("http://div[@class='gsR_con']/table[@class='gs_zp_table']//td/text()")

    for index,info in enumerate(infos):
        if index == 0:
            detail['num'] = info.strip()
        elif index == 1:
            detail['education'] = info.strip()
        elif index == 2:
            detail['wages'] = info.strip()
        elif index == len(infos)-1:
            detail['welfare'] = info.strip()

    jobContentList = []
    jobContents = html.xpath("http://div[@class='gz_info_txt']//p/text()")
    for jobContent in jobContents:
        jobContentList.append(jobContent.strip())
        print(jobContent)

    detail['jobContentList'] = jobContentList

    # num = html.xpath("http://div[@class='gs_zp_table']//a/text()")[0]
    # detail['num'] = num
    # education = html.xpath("http://div[@class='gs_zp_table']//a/text()")[0]
    # detail['education'] = education
    # wages = html.xpath("http://div[@class='gsR_con']//a/text()")[0]
    # detail['wages'] = wages
    # welfare = html.xpath("http://div[@class='gsR_con']//a/text()")[0]
    # detail['welfare'] = welfare
    # print(company)

    return detail


def get_detail_urls(url):
    resp = requests.get(url=url, headers=HEADERS)
    text = resp.content.decode('utf-8')

    parser = etree.HTMLParser(encoding='utf-8')
    html = etree.HTML(text, parser=parser)
    detail_urls = html.xpath("http://div[@class='rlOne']//li[@class='w1']//a/@href")
    # map將列表的每一項(xiàng)做相同的事情(等價(jià)于以下表達(dá)式)
    # def abc(url):
    #     return BASE_URL+url
    # index = 0
    # for detail_url in detail_urls:
    #     detail_url = abs(detail_url)
    #     detail_urls[index] = detail_url
    #     index += 1
    #detail_urls = map(lambda url:BASE_URL+url,detail_urls)
    return detail_urls


if __name__ == '__main__':
    spider()

上一篇：網(wǎng)絡(luò)請(qǐng)求之urllib網(wǎng)絡(luò)請(qǐng)求庫
下一篇：數(shù)據(jù)解析之BeautifulSoup4解析庫

色偷偷精品伊人,欧洲久久精品,欧美综合婷婷骚逼,国产AV主播,国产最新探花在线,九色在线视频一区,伊人大交九欧美,1769亚洲,黄色成人av

數(shù)據(jù)解析之XPath語法和lxml模塊

數(shù)據(jù)解析之XPath語法和lxml模塊

什么是XPath？

XPath開發(fā)工具

XPath語法

選取節(jié)點(diǎn)：

謂語：

通配符

選取多個(gè)路徑：

運(yùn)算符：

lxml庫

基本使用：

從文件中讀取html代碼：

在lxml中使用XPath語法：

chrome相關(guān)問題：

實(shí)戰(zhàn)-豆瓣電影爬蟲：

實(shí)戰(zhàn)-電影天堂爬蟲：

實(shí)戰(zhàn)抓取廣西人才網(wǎng)最新的python工程師的招聘信息：

相關(guān)閱讀更多精彩內(nèi)容

友情鏈接更多精彩內(nèi)容

色偷偷精品伊人,欧洲久久精品,欧美综合婷婷骚逼,国产AV主播,国产最新探花在线,九色在线视频一区,伊人大交九 欧美,1769亚洲,黄色成人av

數(shù)據(jù)解析之XPath語法和lxml模塊

什么是XPath？

XPath開發(fā)工具

XPath語法

選取節(jié)點(diǎn)：

謂語：

通配符

選取多個(gè)路徑：

運(yùn)算符：

lxml庫

基本使用：

從文件中讀取html代碼：

在lxml中使用XPath語法：

chrome相關(guān)問題：

實(shí)戰(zhàn)-豆瓣電影爬蟲：

實(shí)戰(zhàn)-電影天堂爬蟲：

實(shí)戰(zhàn)抓取廣西人才網(wǎng)最新的python工程師的招聘信息：

相關(guān)閱讀更多精彩內(nèi)容

友情鏈接更多精彩內(nèi)容

色偷偷精品伊人,欧洲久久精品,欧美综合婷婷骚逼,国产AV主播,国产最新探花在线,九色在线视频一区,伊人大交九欧美,1769亚洲,黄色成人av

什么是XPath？