Python爬虫学习笔记(3)-XPath与多线程爬虫

Python爬虫学习笔记(3)-XPath与多线程爬虫

标签(空格分隔): python 多线程 爬虫

概要:

  • XPath的介绍与配置
  • XPath的使用
  • XPath的特殊用法
  • Python并行化
  • 实战–百度贴吧爬虫

1.XPath的介绍与配置

  • 官方名称:XML路径语言(XMLpathlanguage)
  • 用来确定xml文档中某部分位置的语言(查找信息)
  • XPath支持HTML
  • XPath通过元素和属性进行导航
  • [x] 提取信息
  • [x] 比正则表达式高级
  • [x] 比正则表达式简单

1)如何安装使用XPath

  • 需要安装lxml库
  • from lxml import etree
  • Selector = etree.HTML(网页源代码)
    (将网页源代码转换成XPath能够识别的格式)
    (Selector为变量名)
  • Selector.xpath(…)

2.XPath的使用

  • XPath与HTML结构
  • 获取网页元素的Xpath
  • 应用XPath提取内容

1)XPath与HTML结构

树状结构->逐层展开->逐层定位->寻找独立节点

2)获取网页元素的Xpath

  • 手动分析法
  • Chrome生成法
    直接右键copy Xpath

a.语法

//*[@id="useful"]/li[1]

  • 星号代表只有一个id为useful,若有别的id相同,则必须写明标签
  • li[1]说明为第一个
  • //在这里是默认的(根目录)

语法分析:

  • //定位根节点
  • /往下层寻找
  • 提取文本内容: /text()
  • 提取属性内容: /@xxxx

b.eg.

“text.html”


<html lang="en">
<head>
    <meta charset="UTF-8">
    <title>测试-常规方法title>
head>
<body>
<div id="content">
    <ul id="useful">
        <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="useless">
        <li>不需要的信息1li>
        <li>不需要的信息2li>
        <li>不需要的信息3li>
    ul>

    <div id="url">
        <a href="http://jikexueyuan.com">极客学院a>
        <a href="http://jikexueyuan.com/sourse/" title="极客学院课程库">点我打开课程库a>
    div>
div>
body>
html>

“xpath_regular.py”

# -*- coding: utf-8 -*-
from lxml import etree
f = open('text.html', 'r')
html = f.read()
f.close()

selector = etree.HTML(html)

a.提取文本

#提取文本
content = selector.xpath('//ul[@id="useful"]/li/text()')
for each in content:
    print each

输出:

  • 这是第一条信息
    这是第二条信息
    这是第三条信息

b.提取属性

#提取属性
link = selector.xpath('//a/@href')
for each in link:
    print each

输出:

  • http://jikexueyuan.com
    http://jikexueyuan.com/sourse/

c.提取title

title = selector.xpath('//a/@title')
print title[0]

输出:

  • 极客学院课程库

3.XPath的特殊用法

  • 以相同的字符开头
  • 标签套标签

1)以相同的字符开头

  • starts-with(@属性名称,属性字符相同部分)

eg.

<div id="test-1">需要的内容1div>
<div id="test-2">需要的内容2div>
<div id="testfault">需要的内容3div>

2)标签套标签

  • string(.)

eg.

<div id="class3">美女,
    <font color=red>你的微信是多少?font>
div>

3)演示

a.starts-with:

xpath_special.py

# -*- coding: utf-8 -*-
from lxml import etree
f = open('special.html', 'r')
html = f.read()
f.close()
selector = etree.HTML(html)
content = selector.xpath('//div[starts-with(@id,"test")]/text()')
for each in content:
    print each

special.html


<html lang="en">
<head>
    <meta charset="UTF-8">
    <title>title>
head>
<body>
    <div id="test-1">需要的内容1div>
    <div id="test-2">需要的内容2div>
    <div id="testfault">需要的内容3div>
body>
html>

输出:

  • 需要的内容1
  • 需要的内容2
  • 需要的内容3

b.string(.):

xpath_special.py

# -*- coding: utf-8 -*-
from lxml import etree
f = open('special2.html', 'r')
html = f.read()
f.close()
selector = etree.HTML(html)
data = selector.xpath('//div[@id="test3"]')[0]
info = data.xpath('string(.)')
content = info.replace('\n', '').replace(' ','')
print content

special2.html


<html lang="en">
<head>
    <meta charset="UTF-8">
    <title>title>
head>
<body>
    <div id="test3">
        我左青龙,
        <span id="tiger">
            右白虎,
            <ul>
                上朱雀,
                <li>下玄武。li>
            ul>
            老牛在当中,
        span>
        龙头在胸口。
    div>
body>
html>

输出:

  • 我左青龙,右白虎,上朱雀,下玄武。老牛在当中,龙头在胸口。

4.Python并行化

  • 并行化介绍
  • Map的使用

1)并行化介绍

  • [x] 多个线程同时处理任务
  • [x] 高效
  • [x] 快速

2)Map的使用

  • map函数一手包办了序列的操作,参数传递和结果保存等一系列的操作。
  • from multiprocessing.dummy import Pool
  • pool = Pool(计算机核数)
  • results = pool.map(爬取函数,网址列表)
# -*-coding: utf-8 -*-
from multiprocessing.dummy import Pool as ThreadPool
import requests
import time

def getsource(url):
    html = requests.get(url)

urls = []

for i in range(1,21):
    newpage = 'http://tieba.baidu.com/p/3522395718?pn=' + str(i)
    urls.append(newpage)

time1 = time.time()
for i in urls:
    print i
    getsource(i)
time2 = time.time()
print u'单线程耗时:' + str(time2-time1)

pool = ThreadPool(2)
time3 = time.time()
results = pool.map(getsource, urls)
pool.close()
pool.join()
time4 = time.time()
print u'并行耗时:' + str(time4-time3)

5.实战–百度贴吧爬虫

  • 目标网站:http://tieba.baidu.com/p/3522395718
  • 目标内容:前20页的跟帖用户名,跟帖内容,跟帖时间
  • 涉及知识:Requests获取网页,XPath提取内容,map实现多线程爬虫

tiebaspider.py

# -*- coding: utf-8 -*-
from lxml import etree
from multiprocessing.dummy import Pool as ThreadPool
import requests
import json  #转义json格式的内容

import sys      #将编码转义为utf-8
reload(sys)
sys.setfaultencoding('utf-8')


def towrite(contentdict):
    f.writelines(u'回帖时间:' +str(contentdict['topic_reply_time']) + '\n')
    f.writelines(u'回帖内容:' +unicode(contentdict['topic_reply_content']) + '\n')
    f.writelines(u'回帖人:' +str(contentdict['user_time']) + '\n\n')

def spider(url):
    html = requests.get(url)
    selector = etree.HTML(html.text)
    content_field = selector.xpath('//div[@class="l_post l_post_bright "]')
    item = {}
    for each in content_field:
        reply_info = json.loads(each.xpath('@data-field')[0].replace('"',''))       #因为获取的是xpath后的内容所以直接@
        author = reply_info['author']['user_name']
        content = each.xpath('div[@class="d_post_content_main"]/div/cc/div[@class="d_post_content j_d_post_content "]/text()')[0]
        reply_time = reply_info['content']['date']
        print content
        print reply_time
        print author
        item['user_name'] = author
        item['topic_reply_content'] = content
        item['topic_reply_time'] = reply_time
        towrite(item)


if __name__ == "__main__":
    pool = ThreadPool(2)
    f = open('content.txt', 'a')
    page = []
    for i in range(1, 21):
        newpage = 'http://tieba.baidu.com/p/3522395718?pn=' + str(i)
        page.append(newpage)

    results = pool.map(spider, page)
    pool.close()
    pool.join()
    f.close()

作者:Skyeyes
日期:2015.11.20
说明:本文根据极客学院Python定向爬虫入门整理总结

你可能感兴趣的:(Python学习笔记)