python中的xpath爬虫实例，新人处女作！！！

首先声明，自己算是小白，还是偏感性女性思维，刚接触python没有多久，所以以下文字中有不专业的地方，请多多指出，不吝赐教。我是学了正则和bs4然后学的xpath，其实我开始并不想做笔记，但是发现自己学完了之后就全忘记了，特意做一下笔记。我着重讲实例。

求点赞、评论、关注！！！！！！

可以先看一下xpath的基本逻辑：

#xpath解析原理：
 -1.实例化一个etree的对象，且需要将被解析的页面源码数据加载到该对象中
 -2.调用etree对象的xpath方法结合着xpath表达式实现标签的定位和内容的捕获

#环境的安装：
 -pip install lxml

#如何实例化一个etree对象 ：from lxml import etree
 -1.将本地的html文档中的源码数据加载到etree对象中：
etree.parse(filePath)   
 -2.可以将从互联网上获取的源码数据加载到该对象中：
etree.parse(filePath)

#xpath表达式
 -/：表示从根节点开始定位，表示的是一个层级
 -//表示多个层级，可以表示从任意位置开始定位
-属性定位：//div[@class='song']  tag[@attrName='attrValue']  
-索引定位：//div[@class='song']/p[3] 索引是从1开始的
-取文本：/text()   
-取属性：/@attrName    ==>img/@src 

1.第一个案例：爬取链家的二手房信息，要求能输出二手房页面的二手房标题和价钱

--先导入模块，发起网络请求，得到这种二手房列表界面，然后把网页etree对象化，再调用xpath方法

import requests
from lxml import etree
if __name__=='__main__':
# 需求：爬取链家的二手房信息
# 1.爬取页面源码数据
    url1='https://sh.lianjia.com/ershoufang/pudong/'
    headers={'User-Agent':'Mozilla/5.0 (Windows NT 10.0; Win64; x64) '
                          'AppleWebKit/537.36 (KHTML, like Gecko) Chrome/92.0.4515.159 Safari/537.36'}
    response=requests.get(url1,headers)
    lianjia_text=response.text

 --注意看xpath里面怎么写的，你看一下网页的源代码，会发现这些二手房的一套信息全都以li标签的形式存储，放在了ul的标签里面 。

 # 数据解析
    tree=etree.HTML(lianjia_text)
    print(lianjia_text)
    li_list=tree.xpath('//ul[@class="sellListContent"]/li') 这是一个列表，里面存放着所有的li标签

--后面我们想获得二手房的名称，我们其实只需要在li标签里面找就可以了，先遍历这些li标签， 在li标签里再次调用这个xpath方法（老实说，其实我也不是很明白为什么能直接调用这个方法，如果你可以解释，记得留言，如果你不会，你可以问问会的，记住就可以了），注意加个' ./ ',这样就表示进入下一级了，然后依次找，就能发现二手房名称在a标签里面，同理找到价格，索引是从1开始。

# 存储的就是li标签对象
    with open('.lianjia.html','w',encoding='utf-8') as hp:
        hp.write(lianjia_text)
    fp=open('./lianjia.txt','w',encoding='utf-8')
    for li in li_list:                                 
        title=li.xpath('./div[1]/div[1]/a/text()')[0] 
        price=li.xpath('./div[1]/div[6]/div[1]/span/text()')[0]  
        print(title)
        fp.write(title+price+' 万 '+'\n')

 --最后进行持久化存储即可,打出这个，就完成了，这个是初级的，也很简单，可以照着做一下。关于持久化存储，代码可以记一下，理解了最好。

2.第二个案例：爬取网站上美女的图片https://pic.netbian.com/4kmeinv/，并且下载到文件夹

--同上，先网络请求，然后对请求好的页面进行etree对象实例化，用以调用xpath方法

import requests
from lxml import etree
import os
# 需求：爬取https://pic.netbian.com/4kmeinv/的图片
if __name__=='__main__':
    url1='https://pic.netbian.com/4kmeinv/'
    headers = {'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/92.0.4515.159 Safari/537.36'}
    response = requests.get(url1, headers)

    # 手动设定响应数据的编码格式，处理中文乱码
    response.encoding='gbk'
    meinv_text = response.text
 # 数据解析：src的属性值，alt属性
    tree=etree.HTML(meinv_text)

--其实你会发现代码不是'utf-8'，因为会出现乱码，把它换成''gbk试一试

--接着你会发现这些个图片全都独立在li标签里面，又是在ul下面，所以按照之前的操作，先调用xpath方法生成个列表，然后遍历列表元素，然后列表里面再去定位图片的网址（img）（注意是不完整的，你得自己加上‘http’那些，以便后面发起请求）以及图片名称(alt)

--其实重点在于，我们还需要发起第二次请求，去得到这个图片的数据。

在遍历下再起发起请求，可以获得图片数据，既然得到了图片的数据内容，知道了图片的名称，接下来就是存储啦。由于图片是二进制格式，所以是content,写入是‘wb’,文本的话就是html,写入是‘w’。存储就是创个文件夹，然后图片保存是通过文件夹的路径+图片名称，然后把图片数据写进去，就成功啦！

li_list=tree.xpath('//div[@class="slist"]/ul/li')

    # 创建一个文件夹
    if not os.path.exists('./meinv_piclibs'):
        os.mkdir('./meinv_piclibs')

    for li in li_list:
        img_url='https://pic.netbian.com'+li.xpath('./a/img/@src')[0] 如果不加这个索引，它其实是一个列表，你可以试一下
        img_name=li.xpath('./a/img/@alt')[0]+'.jpg'
        response2=requests.get(img_url,headers)

        # 请求图片持久化存储
        img_data=response2.content
        img_path='meinv_piclibs/'+img_name
        with open(img_path,'wb')as fp:
            fp.write(img_data)
            print(img_name,'下载成功!')

 --最后效果是这个亚子

--我也喜欢美女！！！！！！！！！！！！ 

3.第三个案例：令我头秃的案例 去站长之家下载免费PPT素材

在网址https://sc.chinaz.com/ppt/free.html中下载免费PPT

嗯哼，看到这个，你是不是觉得很简单，没那么难，其实你会发现，涉及到下面3个页面，三次网络请求。看到这里，你也觉得没这么难，于是开开心心打算十分钟搞定。呵呵，幼稚！

#1

#2

#3

 

--其实，万变不离其宗，还是一样的方法，然而，实操的时候我遇到很多问题。

--我的思路就是和上面一样的思路，还是调用xpath方法，然后找到这些素材被封装的标签，然后我就找到了下图这个，它其实和上面的ul是同一个功能，所以我把它写下来并且打印了一下，div_list=tree.xpath('//div[@class="ppt-list  masonry"]/div')    结果居然是个空列表，后来问人说是class有空格容易识别不出来，所以干脆从祖宗一代代传下来，这个耽误我好长时间，而且它和别的不一样，就是索引它不认！！！！！！！而且开始到现在我都不知道什么原因，是一步步调试出来的。

 

import requests
from lxml import etree
import os

from keras.utils.data_utils import get_file
import zipfile
import os

第一次网络请求
if __name__=='__main__':
    url1='https://sc.chinaz.com/ppt/free.html'
    headers = {'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/92.0.4515.159 Safari/537.36'}
    response = requests.get(url1, headers)
    response.encoding='utf-8'
    page_text=response.text
    tree=etree.HTML(page_text)
   
    div_list=tree.xpath('/html/body/div[3]/div[4]/div')此时得到了div的列表
    if not os.path.exists('./ppt_piclibs'):
        os.mkdir('./ppt_piclibs')
    if not os.path.exists('./ppt2_piclibs'):
        os.mkdir('./ppt2_piclibs')

遍历一下列表
    for div in div_list:

a和b是我用来调试的，放在这里希望给你思路
        a= div.xpath('./div')
        b= div.xpath('./div/a')

我得到了新的url地址，为了做第二次网络请求；得到了名称
        new_url='https://sc.chinaz.com'+div.xpath('./div/a/@href')[0]
        name=div.xpath('./div/a/@title')[0]
        print(new_url)
        print(name)
        response2 = requests.get(new_url, headers)
        response2.encoding='utf-8'
        ppt_text = response2.text
为了第三次网络请求能顺利进行，我先看看第二次网络请求有没有问题

        ppt_path='ppt_piclibs/'+name+'.html'
        with open(ppt_path,'w',encoding='utf-8') as fp:
            fp.write(ppt_text)

--第二次网络请求的确得到了各个简历点进去的详情页，但是加载的不完整，可是足够看源代码了

#文件夹下的样子

#文件夹运行的样子

#看下源代码

 

 --思路还是一样的呀，再看看上面加载页面的源代码，我再次用xpath定位到‘厦门电信下载’，其实你都不用遍历了，这个直接找到再网络请求就成了。 

        tree=etree.HTML(ppt_text)
        c=tree.xpath('//div[@class="Free-download"]/div[2]/div[1]/a/@href')
        final_url=tree.xpath('//div[@class="Free-download"]/div[2]/div[1]/a/@href')[0]
        print(final_url)
        response3=requests.get(new_url,headers)
        final_data=response3.text
        final_path = 'ppt2_piclibs/' + name + 'rar'
        print(final_path)
        dowloadFile(final_url, name + '.rar')
        print(name)

--然后就是存储啦，说实话存储是最复杂的，还要调用很麻烦的模块，下载也很慢。你得定义这个函数，实际写代码，这个要定义在前面，因为我发现定义在后面无法调用。这个方法是搜索别人文章看到的，有更好的写法最好。

# 下载代码
def dowloadFile(url,name):
    file=name
    dir='D:/code/python/star/first/爬虫/ppt2_piclibs'
    try:
        path = get_file(fname=file,
                        origin=url, cache_subdir=dir)  #
        print('download---'+path)
    except:
        print('Error')
        raise
    pass

 总结：OK就到这里了，我可能讲的不够清晰，但是我就是这么理解的了。其实写爬虫我觉得重要的是思路，要有清晰地思路和运用工具的能力，很多时候你发现为什么和书上讲的不一样，这个时候要会调试，尝试去解决问题。

另外，这个内容是我在B站学习了https://www.bilibili.com/video/BV1ha4y1H7sx?p=28 课程后写的，可以听一下老师的讲解，谢谢！

求点赞啊，新人第一篇文章！！！！！！！！