Python爬虫——解析常用三大方式之Xpath
目录
Xpath
安装xpath
安装lxml库
导入lxml库
解析本地文件 etree.parse（）
解析服务器响应文件 etree.HTML()
xpath基本语法
小案例：获取百度首页的百度一下
大案例：爬取站长素材图片
总结
Xpath
安装xpath
首先要学会安装Xpath，我这里很简单，没有到网络上搜索，直接使用魔法在谷歌商店直接搜索xpath就可以了，下载完成之后使用 ctrl + shift + x 就可以打开了。打开效果图如下：
安装lxml库
可以使用pip安装，命令如下
pip install -i https://pypi.tuna.tsinghua.edu.cn/simple/ lxml
导入lxml库
from lxml import etree
解析本地文件 etree.parse（）
html_tree = etree.parse('xx.html')解析服务器响应文件 etree.HTML()
html_tree = etree.HTML(response.read().decode('utf-8'))那么如果使用如下代码
html_cm_tree = etree.parse('17_解析_xpath.html')
print(html_cm_tree)我的HTML代码如下
<!DOCTYPE html>
<html lang="en">
<head><meta charset="UTF-8"/><title>Title</title>
</head>
<body><ul><li id="l1" class="c1">北京</li><li id="l2">成都</li><li class="c2">深圳</li><li id="xl2">哈尔滨</li></ul><ul><li id="l3">大连</li><li id="xl1">长春</li><li class="c3">兰州</li><li>上海</li></ul>
</body>
</html>这样就会报错
因为xpath严格遵守HTML规范，
这里要修改为
这样，单标签就要这样写
xpath基本语法
text() 获取标签中的内容
li_id_list = html_cm_tree.xpath('//ul/li[@id]/text()')
1.路径查询：
//：查找所有子孙节点，不考虑层级关系
/ ：找直接子节点
# （1）查找ul 下面的li
# li_list = html_cm_tree.xpath('//body/ul/li')
# 下面这个写法也行
li_list = html_cm_tree.xpath('//body//li')
# 判断列表长度
print(li_list)
print(len(li_list))2.谓词查询：
// div[@id]
// div[@id="maincontent"]
# （2）查找所有id的属性的li标签
li_id_list = html_cm_tree.xpath('//ul/li[@id]/text()')
print(li_id_list)
print(len(li_id_list))# （3）查找id = l1的属性的li标签,id后面的必须要加 单引号
li_id1_list = html_cm_tree.xpath('//ul/li[@id="l1"]/text()')
print(li_id1_list)
print(len(li_id1_list))3.属性查询：
//@class
# （4）查找id = l1的属性的li标签的class属性值
li_id1c_list = html_cm_tree.xpath('//ul/li[@id="l1"]/@class')
print(li_id1c_list)
print(len(li_id1c_list))4.模糊查询：
//div[contains(@id, "he")]
// div[starts-with(@id,"he")]
# （5）查询 id 中包含l的li标签
li_idlll_list = html_cm_tree.xpath('//ul/li[contains(@id,"l")]/text()')
print(li_idlll_list)
print(len(li_idlll_list))5.内容查询
//div/h1/text ()
如上使用了text（）的都是
6.逻辑运算：
//div[@id="head"and@class="s_down"]
//title|//price
# （7）查询 id=l1 和class为c1的标签
li_idl1c1_list = html_cm_tree.xpath('//ul/li[@id="l1"and@class="c1"]/text()')
print(li_idl1c1_list)
print(len(li_idl1c1_list))# （8）查询id=l1或者=l2的
li_titpri_list = html_cm_tree.xpath('//ul/li[@id="l1"]/text() | //ul/li[@id="l2"]/text()')
print(li_titpri_list)
print(len(li_titpri_list))小案例：获取百度首页的百度一下
from lxml import etree
import urllib.request# （1）获取网页源码
# （2）解析 解析的服务器响应的文件 etree.HTML
# （3）打印
url = 'https://www.baidu.com/'
headers = {'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/122.0.0.0 Safari/537.36'
}
# 请求对象的定制
request = urllib.request.Request(url=url, headers=headers)# 模拟浏览器访问服务器
response = urllib.request.urlopen(request)# 获取网页源码
content = response.read().decode('utf-8')
# print(content)# 解析网页源码，获取我们需要的数据
# 解析服务器响应的文件
tree = etree.HTML(content)# 获取想要的数据,xpath的返回值是一个列表
result = tree.xpath('//input[@id="su"]/@value')
print(result)
大案例：爬取站长素材图片
import urllib.request
from lxml import etree# （1）请求对象的定制
# （2）获取网页源码
# （3）下载# 需求：下载前十页的图片# 第一页地址
# https://sc.chinaz.com/tupian/taikongkexuetupian.html
# 第二页地址
# https://sc.chinaz.com/tupian/taikongkexuetupian_2.html
# 第三页地址
# https://sc.chinaz.com/tupian/taikongkexuetupian_3.html"""请求对象的定制
"""def create_request(page):if page == 1:url = 'https://sc.chinaz.com/tupian/taikongkexuetupian.html'else:url = ('https://sc.chinaz.com/tupian/taikongkexuetupian_'+ str(page) + '.html')headers = {'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/122.0.0.0 Safari/537.36'}request = urllib.request.Request(url=url, headers=headers)return request"""获取网页源码
"""def get_content(request):response = urllib.request.urlopen(request)content = response.read().decode('utf-8')return content"""下载
"""def down_load(content):# 下载图片# urllib.request.urlretrieve('图片地址', '文件名')tree = etree.HTML(content)img_list = tree.xpath('//div[@class="container"]//img[@src="../static/common/com_images/img-loding.png"]/@data-original')# 如果所爬取的网站是采用懒加载的方式，请使用懒加载前的地址访问name_list = tree.xpath('//div[@class="container"]//img[@src="../static/common/com_images/img-loding.png"]/@alt')for i in range(len(name_list)):name = name_list[i]img = img_list[i]# 添加上协议地址，使得地址完整url = 'https:' + img# 下载urllib.request.urlretrieve(url=url, filename='./站长素材爬取图片/' + name + '.jpg')if __name__ == '__main__':start_page = int(input("请输入起始页码"))end_page = int(input("请输入结束页码"))for page in range(start_page, end_page + 1):# 1.请求对象的定制request = create_request(page)# 2.获取网页源码content = get_content(request)# 3.下载down_load(content)
总结
ヾ(￣▽￣)Bye~Bye~
相关文章：
Python爬虫——解析常用三大方式之Xpath
目录 Xpath 安装xpath 安装lxml库 导入lxml库 解析本地文件 etree.parse（） 解析服务器响应文件 etree.HTML() xpath基本语法 小案例：获取百度首页的百度一下 大案例：爬取站长素材图片 总结 Xpath 安装xpath 首先要学会安…...
C#判断DataTable1 A列的集合是否为DataTable2 B列的集合的子集
DataSet ds2 (DataSet)res2.Anything; // 检查 集合B是否为集合A的子集 var table1MaterialCodes ds.Tables[2].AsEnumerable().Select(row > row["Code"]).ToList(); //DataSet1 表Code列集合A var table2MaterialCodes ds2.Tables[0].AsEnumerable().Selec…...
VirtualBox 桥接网卡 未指定 “未能启动虚拟电脑Ubuntu，由于下述物理网卡未找到：”
解决办法，安装虚拟网卡，win11查找方式：控制面板→网络和共享中心→更改适配器设置 此时出现下面情况就算安装成功 但是如果报错：找不到指定的模块 则按下面步骤删除干净垃圾重新上面操作 先安装CCleaner, 链接:CCleaner Makes Y…...
基于yolov5的电瓶车和自行车检测系统，可进行图像目标检测，也可进行视屏和摄像检测（pytorch框架）【python源码+UI界面+功能源码详解】
功能演示： 基于yolov5的电瓶车和自行车检测系统_哔哩哔哩_bilibili （一）简介 基于yolov5的电瓶车和自行车检测系统是在pytorch框架下实现的，这是一个完整的项目，包括代码，数据集，训练好的模型…...
vscode如何远程到linux python venv虚拟环境开发？（python虚拟环境、vscode远程开发、vscode远程连接）
文章目录 1. 安装VSCode2. 安装扩展插件3. 配置SSH连接4. 输入用户名和密码5. 打开远程文件夹6. 创建/选择Python虚拟环境7. 安装Python插件 Visual Studio Code (VSCode) 提供了一种称为 Remote Development 的功能，允许用户在远程系统、容器或甚至 Windows 子系统…...
蓝桥杯第十二届电子类单片机组程序设计
目录 前言 蓝桥杯大赛历届真题_蓝桥杯 - 蓝桥云课（点击查看） 单片机资源数据包_2023（点击下载） 一、第十二届比赛原题 1.比赛题目 2.题目解读 蓝桥杯第十四届电子类单片机组程序设计_蓝桥杯单片机哪一届最难-CSDN博客 二、…...
基于springboot+vue的工作流程管理系统
博主主页：猫头鹰源码 博主简介：Java领域优质创作者、CSDN博客专家、阿里云专家博主、公司架构师、全网粉丝5万、专注Java技术领域和毕业设计项目实战，欢迎高校老师\讲师\同行交流合作 主要内容：毕业设计(Javaweb项目|小程序|Pyt…...
【LeetCode刷题】146. LRU 缓存
请你设计并实现一个满足 LRU (最近最少使用) 缓存 约束的数据结构。 实现 LRUCache 类： LRUCache(int capacity) 以 正整数 作为容量 capacity 初始化 LRU 缓存int get(int key) 如果关键字 key 存在于缓存中，则返回关键字的值，否则返回 -…...
奇酷网络用AI思维办公：不允许做PPT，只能用Word，只能一页纸
在AI时代，视频制作领域正经历着一场革命。Sora 作为首个文生视频大模型，可能攻克了自然语言处理、计算机视觉和深度学习等难点，使视频生成更真实、自然。奇酷网络是一家很另类、很奇怪的“AI游戏”创业公司，奇酷网络董事长吴渔夫(…...
【笔记】-编程语言以及应用领域
C/C 永远不会衰败的语言，适合偏底层，例如：Windows操作系统80%以上都是由C/C完成的，C/C也集成用于写应用层C/S架构的软件 JAVA 是真正的跨平台的语言 “一次编程，到处使用”Java适合应用层的开发，无论是…...
MWC 2024丨美格智能推出5G RedCap系列FWA解决方案，开启5G轻量化新天地
2月27日，在MWC 2024世界移动通信大会上，美格智能正式推出5G RedCap系列FWA解决方案。此系列解决方案具有低功耗、低成本等优势，可以显著降低5G应用复杂度，快速实现5G网络接入，提升FWA部署的经济效益。 RedCap技术带来了…...
mTLS: openssl创建CA证书
证书可以通过openssl或者keytool创建，在本篇文章中，只介绍openssl。 openssl 生成证书 申请操作流程 生成ca证书私钥, 文件名：ca.key生成ca证书，文件名：ca.crt生成Server/Client 证书私钥，文件名&#x…...
Python 进阶语法：os
3.1.1 文件和目录操作 os.getcwd(): 获取当前工作目录的路径。 import os# 获取当前工作目录 current_directory os.getcwd() print("当前工作目录是:", current_directory) os.chdir(path): 改变当前工作目录到指定的路径。 import os# 改变当前工作目录 os.c…...
测试需求平台9-Table 组件应用产品列表优化
✍此系列为整理分享已完结入门搭建《TPM提测平台》系列的迭代版，拥抱Vue3.0将前端框架替换成字节最新开源的arco.design，其中约60%重构和20%新增内容，定位为从 0-1手把手实现简单的测试平台开发教程，内容将囊括基础、扩展和实战&a…...
targetSdkVersion ＞ 30 如何将下载的网络视频 保存到手机相册里更新
在 targetSdkVersion 31 中，将下载的网络视频保存到手机相册中涉及几个关键步骤。由于 Android 12（API 级别 31）引入了更多的隐私和安全限制，特别是作用域存储（Scoped Storage），因此你需要遵循这…...
C#，无监督的K-Medoid聚类算法（K-Medoid Algorithm）与源代码
1 K-Medoid算法 K-Medoid（也称为围绕Medoid的划分）算法是由Kaufman和Rousseeuw于1987年提出的。中间点可以定义为簇中的点，其与簇中所有其他点的相似度最小。 K-medoids聚类是一种无监督的聚类算法，它对未标记数据中的对象进行聚…...
宏定义中#与##的注意事项
1. #是字符串化操作符。它的作用是将宏参数转换成字符串 2. ##是标记粘贴操作符。它的作用是将两个标记连接起来形成一个新的标记 #define TEST1(a) #a #define TEST2(a) b##a/***********************************************************/ 举例：TEST1(hello) 会…...
Java函数式编程
Java函数式编程 Java函数式编程（Functional Programming in Java）是指使用函数式编程范式来编写Java代码的一种编程方式。函数式编程是一种编程范式，它强调使用函数作为基本构建块，并将计算视为数学上的函数求值，避免…...
【深度优先搜索】【树】【C++算法】2003. 每棵子树内缺失的最小基因值
作者推荐 动态规划的时间复杂度优化 本文涉及知识点 深度优先搜索 LeetCode2003. 每棵子树内缺失的最小基因值 有一棵根节点为 0 的 家族树 ，总共包含 n 个节点，节点编号为 0 到 n - 1 。给你一个下标从 0 开始的整数数组 parents ，其中…...
电脑开机显示器没有信号而且键盘鼠标不亮怎么解决?
大家在使用电脑的过程，开机没有反应是比较经常遇到的问题，就有用户反映说自己的电脑启动之后，显示器无信号，键盘鼠标灯也不亮，怎么操作都没有效果。对开机有影响的硬件主要是内存条，内存条是非常容易松动的，而且金手指如果氧化了，都会导致开不了机 大家在使用电脑的过程…...
设计模式和设计原则回顾
设计模式和设计原则回顾 23种设计模式是设计原则的完美体现，设计原则设计原则是设计模式的理论基石， 设计模式 在经典的设计模式分类中（如《设计模式：可复用面向对象软件的基础》一书中），总共有23种设计模式，分为三大类： 一、创建型模式（5种） 1. 单例模式（Sing…...
云启出海，智联未来｜阿里云网络「企业出海」系列客户沙龙上海站圆满落地
借阿里云中企出海大会的东风，以**「云启出海，智联未来｜打造安全可靠的出海云网络引擎」为主题的阿里云企业出海客户沙龙云网络&安全专场于5.28日下午在上海顺利举办，现场吸引了来自携程、小红书、米哈游、哔哩哔哩、波克城市、…...
【HarmonyOS 5.0】DevEco Testing：鸿蒙应用质量保障的终极武器
——全方位测试解决方案与代码实战 一、工具定位与核心能力 DevEco Testing是HarmonyOS官方推出的一体化测试平台，覆盖应用全生命周期测试需求，主要提供五大核心能力： 测试类型检测目标关键指标功能体验基…...
Objective-C常用命名规范总结
【OC】常用命名规范总结 文章目录 【OC】常用命名规范总结1.类名（Class Name)2.协议名（Protocol Name)3.方法名（Method Name)4.属性名（Property Name）5.局部变量/实例变量（Local / Instance Variables&…...
STM32F4基本定时器使用和原理详解
STM32F4基本定时器使用和原理详解 前言如何确定定时器挂载在哪条时钟线上配置及使用方法参数配置PrescalerCounter ModeCounter Periodauto-reload preloadTrigger Event Selection 中断配置生成的代码及使用方法初始化代码基本定时器触发DCA或者ADC的代码讲解中断代码定时启动…...
页面渲染流程与性能优化
页面渲染流程与性能优化详解（完整版） 一、现代浏览器渲染流程（详细说明） 1. 构建DOM树 浏览器接收到HTML文档后，会逐步解析并构建DOM（Document Object Model）树。具体过程如下： (…...
Cinnamon修改面板小工具图标
Cinnamon开始菜单-CSDN博客 设置模块都是做好的，比GNOME简单得多！ 在 applet.js 里增加 const Settings imports.ui.settings;this.settings new Settings.AppletSettings(this, HTYMenusonichy, instance_id); this.settings.bind(menu-icon, menu…...
Psychopy音频的使用
Psychopy音频的使用 本文主要解决以下问题： 指定音频引擎与设备；播放音频文件 本文所使用的环境： Python3.10 numpy2.2.6 psychopy2025.1.1 psychtoolbox3.0.19.14 一、音频配置 Psychopy文档链接为Sound - for audio playback — Psy…...
JDK 17 新特性
#JDK 17 新特性 /**************** 文本块 *****************/ python/scala中早就支持，不稀奇 String json “”" { “name”: “Java”, “version”: 17 } “”"; /**************** Switch 语句 -> 表达式 *****************/ 挺好的ÿ…...
浪潮交换机配置track检测实现高速公路收费网络主备切换NQA
浪潮交换机track配置 项目背景高速网络拓扑网络情况分析通信线路收费网络路由 收费汇聚交换机相应配置收费汇聚track配置 项目背景 在实施省内一条高速公路时遇到的需求，本次涉及的主要是收费汇聚交换机的配置，浪潮网络设备在高速项目很少，通…...