Python爬虫| 一文掌握XPath

news2024/9/21 22:52:38

本文概要

本篇文章主要介绍利用Python爬虫爬取付费文章，适合练习爬虫基础同学，文中描述和代码示例很详细，干货满满，感兴趣的小伙伴快来一起学习吧！
在这里插入图片描述

🌟🌟🌟个人简介🌟🌟🌟

☀️大家好！我是新人小白博主朦胧的雨梦，希望大家多多关照和支持😝😝😝
🌖大家一起努力，共同成长，相信我们都会遇到更好的自己👊👊👊
🌗期待我的文章能给各位带来收获和解决问题的灵感🤩🤩🤩
🌟大家的三连是我不断更新的动力~😘😘😘

在这里插入图片描述

本文概要
🌟🌟🌟个人简介🌟🌟🌟
本次爬虫思路
本次操练网页
学习目标🏆
✨一.爬虫模板
- 🌲1.urllib库的使用模板
- 🌲2.requests库的使用模板
✨二.分析信息接口
✨三.通过请求拿到响应
✨四. 提取信息
- 🌲1.正则表达式
- 🌲2.XPath
- 🌲 3.漂亮的汤（BeautifulSoup）<本次不使用>
✨五.保存内容
✨六.总结（附完整代码）
- 🌲完整代码
💫往期好文推荐

本次爬虫思路

最最重要的是分析信息接口！！！
1. 获取url
2. 通过请求拿到响应
3. 处理反爬
4. 提取信息
5. 保存内容

本次操练网页

https://www.duanmeiwen.com/xinshang/3203373.html(某美文网) 在这里插入图片描述
网页内容：

学习目标🏆

1.掌握爬虫布置模板；

2.掌握反爬手段；

3.了解如何提取保存内容。

✨一.爬虫模板

🌲1.urllib库的使用模板

import urllib.request     
url ='xxxxxxxxxxxx'   
#发送请求                
 request= urllib.request.Request（url，data，header）      
 #得到响应
 response=urllib.request.urlopen（request）
 #解码
 content = response.read().decode() 
 #查看数据
 print(content)

🌲2.requests库的使用模板

import requests   
url ='xxxxxxxxxxxx' 
#发送请求                              
response = request.get(url， params，headers)  (get请求或者post请求)  
#根据响应的格式解码，非常智能
response.encoding=response.appareent_encoding
 #查看数据
 print(response.txt)

✨二.分析信息接口

1.首先右键查看网页源代码

在这里插入图片描述
很明显，爬取的信息就在源代码里，所以直接对网页链接发起请求。这里请求头伪装我们优先携带user-agent。

✨三.通过请求拿到响应

import requests

# 需要请求的url
url = 'https://www.duanmeiwen.com/xinshang/3203373.html'

# 伪装请求头
headers = {
    'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/106.0.0.0 Safari/537.36',
}

# 获得响应
response = requests.get(url=url, headers=headers)

# 智能解码
response.encoding = response.apparent_encoding
# 打印数据
print(response.text)

在这里插入图片描述

真轻松，这种网页就是最好的，把东西都放在你面前，拿吧拿吧我很大方！

✨四. 提取信息

针对返回数据的特点，我们现在有三种方法：

🌲1.正则表达式

正则表达式是对字符串（包括普通字符（例如，a 到 z 之间的字母）和特殊字符（称为“元字符”））操作的一种逻辑公式，就是用事先定义好的一些特定字符及这些特定字符的组合，组成一个“规则字符串”，这个“规则字符串”用来表达对字符串的一种过滤逻辑。正则表达式是一种文本模式，该模式描述在搜索文本时要匹配的一个或多个字符串。简单来说，利用一定的逻辑公式，过滤掉不需要的数据，主要处理字符串。对于本题来说有点杀鸡用牛刀了。简单来示范一下：
首先导入re模块

import re

接下来开始操作这堆"字符串"
re.compile()是用来优化正则的，它将正则表达式转化为对象，re.search(pattern, string)的调用方式就转换为 pattern.search(string)的调用方式，多次调用一个正则表达式就重复利用这个正则对象，可以实现更有效率的匹配。需要搭配finditer()等一起使用，参数pattern : 正则表达式；，flags : 表示匹配模式。

在这里插入图片描述

右键点击检查进入Network页面，主要是方便我们看清楚结构。
在这里插入图片描述

效果
在这里插入图片描述
这里写的比较粗糙，因为大家会发现我们会大量在重复写一个相同的筛选语句，所以就有那么一点机械重复的感觉，而且我们有专门对付这中HTML结构的工具，所以接下来咱们隆重介绍XPath！

🌲2.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。XPath基于XML的树状结构，提供在数据结构树中找寻节点的能力。起初XPath的提出的初衷是将其作为一个通用的、介于XPointer与XSL间的语法模型。但是XPath很快地被开发者采用来当作小型查询语言。我们只要简单理解为它主要是针对定位HTML中某部分位置的语言。
首先导入XPath

from lxml import etree

接下来开始操作
在这里插入图片描述

效果
在这里插入图片描述

这就是优雅，对比上面，我们用三行代码就完成了任务，由此可见，用对方法很重要。

🌲 3.漂亮的汤（BeautifulSoup）<本次不使用>

✨五.保存内容

这里就很简单，基础文件操作的知识，“行百里者半九十”，来吧，咱们直接一口气写完。

tree = etree.HTML(response.text)
titles = tree.xpath('/html/body/div[2]/div[2]/div/div[2]/h2/text()')
message = tree.xpath('/html/body/div[2]/div[2]/div/div[2]/p/text()')
for i in range(len(message)):
    with open('优美文艺句子.txt', 'a', encoding='utf-8') as fp:
        fp.write(message[i])
        fp.write('\n')
print('文章爬取完成')

效果
在这里插入图片描述

✨六.总结（附完整代码）

通过今天的小案例，我们明白了，第一，思路一定要清楚，快准狠分析出接口链接，第二，提取数据的方法要正确，这样会直接事半功倍，好了，今天就分享到这里，谢谢大家的观看，有什么想法记得评论区告诉我！拜拜~✨ ✨ ✨

🌲完整代码

import requests
from lxml import etree

# 需要请求的url
url = 'https://www.duanmeiwen.com/xinshang/3203373.html'

# 伪装请求头
headers = {
    'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/106.0.0.0 Safari/537.36',
}

# 获得响应
response = requests.get(url=url, headers=headers)

# 智能解码
response.encoding = response.apparent_encoding

# 提取数据
tree = etree.HTML(response.text)
titles = tree.xpath('/html/body/div[2]/div[2]/div/div[2]/h2/text()')
message = tree.xpath('/html/body/div[2]/div[2]/div/div[2]/p/text()')

#遍历保存数据
for i in range(len(message)):
    with open('优美文艺句子.txt', 'a', encoding='utf-8') as fp:
        fp.write(message[i])
        fp.write('\n')
print('文章爬取完成')