Python网络爬虫（一）- 入门基础

Python网络爬虫（二）- urllib爬虫案例

Python网络爬虫（三）- 爬虫进阶

Python网络爬虫（四）- XPath

Python网络爬虫（五）- Requests和Beautiful Soup

Python网络爬虫（六）- Scrapy框架

Python网络爬虫（七）- 深度爬虫CrawlSpider

Python网络爬虫（八） - 利用有道词典实现一个简单翻译程序

1.XPath

XPath 即为XML路径语言（XML Path Language），它是一种用来确定XML文档中某部分位置的语言。它使用路径表达式来选取 XML 文档中的节点或节点集。节点是通过沿着路径 (path) 或者步 (steps) 来选取的。
XPath语法

2.XPath在python中的应用

xpath在Python中有一个第三方库，支持~ lxml
注意：不要直接使用pip install lxml去安装~直接安装很容易安装一个空壳！
安装pip,主要参考博客：
- python实践系列之（一）安装
- python︱模块加载(pip安装)以及pycharm安装与报错解决方式
- 在shell中输入import pip; print(pip.pep425tags.get_supported())可以获取到pip支持的文件名还有版本

xpath的安装
- 通过wheel方式安装
- 下载对应的wheel文件【和Python版本对应的】
- 安装wheel插件：python2 -m pip install wheel
- 根据下载的本地文件安装lxml：切换到whl文件所在的路径，进行安装
  python2 -m pip install lxml-3.8.0-cp27-none-win32.whlwheel名一定要跟pip支持的文件名和版本符合
xpath的使用
- 获取文本内容用 text()
- 获取注释用 comment()
- 获取其它任何属性用@xx，如
  - @href
  - @src
  - @value
Python-第三方库requests详解
CSS 选择器参考手册

3.XPath中的text()和string()区别

1.XPath中的text()和string()本质区别

text()是一个node test，而string()是一个函数，data()是一个函数且可以保留数据类型。此外，还有点号（.）表示当前节点。

2.XML例子：

_知几

用例	举例
text()	book/author/text()
string()	book/author/string()
data()	book/author/data()
.	book/author/.

3.特殊用例

XML例子：


    pythondjango爬虫
    
        20
        0.8

text()
- 经常在XPath表达式的最后看到text()，它仅仅返回所指元素的文本内容。

let $x := book/author/text()
return $x
返回的结果是python 爬虫，其中的django不属于author直接的节点内容。

string()
- string()函数会得到所指元素的所有节点文本内容，这些文本讲会被拼接成一个字符串。

let $x := book/author/string()
return $x
返回的内容是python django 爬虫。

data()
- 大多数时候，data()函数和string()函数通用，而且不建议经常使用data()函数，有数据表明，该函数会影响XPath的性能。

let $x := book/pricing/string()
return $x
返回的是200.8
let $x := book/pricing/data()
return $x
这样将返回分开的20和0.8，他们的类型并不是字符串而是>xs:anyAtomicType，于是就可以使用数学函数做一定操作。
let $x := book/pricing/price/data()
let $y := book/pricing/discount/data()
return $x*$y
比如上面这个例子，就只能使用data()，不能使用text()或string()，因为XPath不支持字符串做数学运算。

text()不是函数，XML结构的细微变化，可能会使得结果与预期不符，应该尽量少用，data()作为特殊用途的函数，可能会出现性能问题，如无特殊需要尽量不用，string()函数可以满足大部分的需求。

4.爬取诛仙前50章内容

主要分三个步骤：

（1）分析小说网址构成；

（2）获取网页，并分离出小说章节名和章节内容；

（3）写入txt文档。

代码操作：

# -*- coding:utf-8 -*-
import urllib,urllib2,re
from lxml import etree

#定义函数，爬取对应的数据
def getText(url,file_name):
    print('开始爬取第%s章的内容'%file_name)
    #伪装请求头
    my_headers = {
        'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/59.0.3071.104 Safari/537.36',
    }
    request = urllib2.Request(url,headers=my_headers)
    content = urllib2.urlopen(request).read()
    return content

#定义函数，保存爬取到的数据
def save(content):
    xml = etree.HTML(content)
    datas = xml.xpath('/html/body/div[@id="main"]/h1 | /html/body/div[@id="main"]/p')

    data = datas[2].xpath('string(.)').encode('utf-8')
    name = datas[0].xpath('string(.)')
    print name
    print('第%s章的内容爬取完成' % file_name)
    with open('txt/%s'%name+'.txt', 'wb') as f:
        f.write(data)


#定义主程序接口
if __name__ == '__main__':
    x=41277
    x_end = x+50
    while x

 
  
   
   
    
     
      
     
    
   
     从本地可以看到已经爬取到相关内容 
    
   
  
 
  注解：Xpath的获取 
  
 
   
    
     
      
     
    
   
     获取数据的Xpath 
    
   
  
 如果你觉得我的文章还可以，可以关注我的微信公众号： 
  Python攻城狮 
  
 
   
    
     
      
     
    
   
     可扫描二维码，添加关注

Python网络爬虫（四）- XPath

目录：