当前位置：首页 > news >正文

Python爬虫学习笔记（四）————XPath解析

news 2025/6/8 12:15:42

0.xpath最新下载地址和安装教程

1.xpath安装

2.xpath基本使用

3.xpath基本语法

4.实例

（1）xpath解析本地文件

（2）xpath解析服务器响应的数据

①获取百度网站的“百度一下”四个字

②获取站长素材网站情侣图片前十页的图片

0.xpath最新下载地址和安装教程

https://blog.csdn.net/laosao_66/article/details/131752611

1.xpath安装

注意：提前安装xpath插件

（1）打开chrome浏览器

（2）点击右上角小圆点

（3）更多工具

（4）扩展程序

（5）拖拽xpath插件到扩展程序中

（6）如果crx文件失效，需要将后缀修改zip

（7）再次拖拽

（8）关闭浏览器重新打开

（9）ctrl + shift + x

（10）出现小黑框

2.xpath基本使用

xpath解析分为两种
一种是解析本地文件方法为：etree.parse
另一种是解析服务器响应的数据（即从response.read().decode('utf-8') 里解析，这种用的多方法为：etree.HTML()

（1）安装lxml库 pip install lxml ‐i https://pypi.douban.com/simple
（2）导入lxml.etree from lxml import etree
（3）etree.parse() 解析本地文件 html_tree = etree.parse('XX.html')
（4）etree.HTML() 服务器响应文件 html_tree = etree.HTML(response.read().decode('utf‐8')
（5）html_tree.xpath(xpath路径)

3.xpath基本语法

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
谓词查询 //div[@id] //div[@id="maincontent"]
属性查询 //@class
模糊查询 //div[contains(@id, "he")] //div[starts‐with(@id, "he")]
内容查询 //div/h1/text()
逻辑运算 //div[@id="head" and @class="s_down"] //title | //price

4.实例

（1）xpath解析本地文件

本地 HTML文件

<!DOCTYPE html>
<html lang="en">
<head><meta charset="UTF-8"/><title>Title</title>
</head>
<body><ul><li id="11" class="c1">北京</li><li id="12">上海</li><li id="c3">深圳</li><li id="c4">武汉</li></ul>< ! --    <ul>-->
< ! --        <li>大连</li>-->
< ! --        <li>锦州</li>-->
< ! --        <li>沈阳</li>-->
< ! --    </ul>--></body>
</html>

xpath解析本地文件

from lxml import etree# xpath解析
# （1）本地文件                                                etree.parse
# （2）服务器响应的数据  response.read().decode('utf-8') *****   etree.HTML()# xpath解析本地文件
tree = etree.parse('爬虫_解析_xpath的基本使用.html')#tree.xpath('xpath路径')# 查找ul下面的li
li_list = tree.xpath('//body/ul/li')# 查找所有有id的属性的li标签
# text()获取标签中的内容
li_list = tree.xpath('//ul/li[@id]/text()')# 找到id为l1的li标签  注意引号的问题
li_list = tree.xpath('//ul/li[@id="l1"]/text()')# 查找到id为l1的li标签的class的属性值
li = tree.xpath('//ul/li[@id="l1"]/@class')# 查询id中包含l的li标签
li_list = tree.xpath('//ul/li[contains(@id,"l")]/text()')# 查询id的值以l开头的li标签
li_list = tree.xpath('//ul/li[starts-with(@id,"c")]/text()')#查询id为l1和class为c1的
li_list = tree.xpath('//ul/li[@id="l1" and @class="c1"]/text()')li_list = tree.xpath('//ul/li[@id="l1"]/text() | //ul/li[@id="l2"]/text()')# 判断列表的长度
print(li_list)
print(len(li_list))

（2）xpath解析服务器响应的数据

①获取百度网站的“百度一下”四个字

# （1） 获取网页的源码
# （2） 解析   解析的服务器响应的文件  etree.HTML
# (3)  打印import urllib.requesturl = 'https://www.baidu.com/'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'
}# 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')# 解析网页源码 来获取我们想要的数据
from lxml import etree# 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类型的数据
result = tree.xpath('//input[@id="su"]/@value')[0]# 这样写也可以，xpath路径可以在选中区域后右键直接copy
# result = tree.xpath('//*[@id="su"]//@value')[0]    print(result)

②获取站长素材网站情侣图片前十页的图片

注：一般涉及图片的网站都会进行懒加载

# (1) 请求对象的定制
# （2）获取网页的源码
# （3）下载# 需求 下载的前十页的图片
# https://sc.chinaz.com/tupian/qinglvtupian.html   1
# https://sc.chinaz.com/tupian/qinglvtupian_page.htmlimport urllib.request
from lxml import etreedef create_request(page):if(page == 1):url = 'https://sc.chinaz.com/tupian/qinglvtupian.html'else:url = 'https://sc.chinaz.com/tupian/qinglvtupian_' + str(page) + '.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',}request = urllib.request.Request(url = url, headers = headers)return requestdef get_content(request):response = urllib.request.urlopen(request)content = response.read().decode('utf-8')return contentdef down_load(content):
#     下载图片# urllib.request.urlretrieve('图片地址','文件的名字')tree = etree.HTML(content)name_list = tree.xpath('//div[@id="container"]//a/img/@alt')# 一般涉及图片的网站都会进行懒加载src_list = tree.xpath('//div[@id="container"]//a/img/@src2')for i in range(len(name_list)):name = name_list[i]src = src_list[i]url = 'https:' + srcurllib.request.urlretrieve(url=url,filename='./loveImg/' + 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）获取网页的源码content = get_content(request)# （3）下载down_load(content)

Python爬虫学习笔记（四）————XPath解析

目录 0.xpath最新下载地址和安装教程 1.xpath安装 2.xpath基本使用 3.xpath基本语法 4.实例 （1）xpath解析本地文件 （2）xpath解析服务器响应的数据 ①获取百度网站的“百度一下”四个字 ②获取站长素材网站情侣图片前十页的…...

编程日记 2023/7/20 9:18:19

知识图谱推理的学习逻辑规则（上）

知识图谱推理的学习逻辑规则摘要介绍相关工作模型知识图谱推理逻辑规则概率形式化参数化优化实验实验设置实验结果结论原文： 摘要本文研究了在知识图谱上进行推理的学习逻辑规则。逻辑规则用于预测时提供了可解释性并且可以推广到其他任务中，因…...

编程日记 2023/7/20 8:44:58

【从零开始学习C++ | 第二十一篇】C++新增特性（上）

目录前言： 委托构造函数： 类内初始化： 空指针： 枚举类： 总结： 前言： C的学习难度大，内容繁多。因此我们要及时掌握C的各种特性，因此我们更新本篇文章，向…...

编程日记 2023/7/20 8:11:36

你真的会用async和await么？

背景背景就是遇到了一个比较烦人的模块，里面的涉及到了大量的async 和 awiat。发现大多人对这个语法糖一知半解，然后大量的滥用，整理一下 async 前置知识： Promise.resolve(foo) new Promise(resolve > resolve(foo)…...

编程日记 2023/7/20 7:38:15

vscode远程连接提示：过程试图写入的管道不存在（删除C:\Users\＜用户名＞\.ssh\known_hosts然后重新连接）

文章目录复现过程原因解决方法总结复现过程我是在windows上用vscode远程连接到我的ubuntu虚拟机上，后来我的虚拟机出了点问题，我把它回退了，然后再连接就出现了这个问题原因本地的known_hosts文件记录服务器信息与现服务器的信息冲突了…...

编程日记 2023/7/20 7:04:54

【005】基于深度学习的图像语通信系统

摘要语义通信是一种新颖的通信方式，可通过传输数据的语义信息提高带宽效率。提出一种用于无线图像传输的系统。该系统基于深度学习技术开发并以端到端（E2E）的方式进行训练。利用深度学习实现语义特征的提取和重建，在发送端提取信…...

编程日记 2023/7/20 6:31:33

基于ssm的社区生活超市的设计与实现

博主介绍：专注于Java技术领域和毕业项目实战。专注于计算机毕设开发、定制、文档编写指导等，对软件开发具有浓厚的兴趣，工作之余喜欢钻研技术，关注IT技术的发展趋势，感谢大家的关注与支持。技术交流和部署相关看文章…...

编程日记 2023/7/20 5:58:12

长短期记忆网络（LSTM）原理解析

长短期记忆网络（Long Short-Term Memory，简称LSTM）是一种常用于处理序列数据的深度学习模型。它在循环神经网络（Recurrent Neural Network，RNN）的基础上进行了改进，旨在解决传统RNN中的梯度消失…...

编程日记 2023/7/20 5:24:50

vscode debug的方式

在.vscode文件夹下建立launch.json 例子1：调试python 来自 https://github.com/chunleili/tiPBD/tree/amg {"version": "0.2.0","configurations": [{"name": "hpbd 5 5","type": "python&quo…...

编程日记 2023/7/20 4:51:29

微信加粉计数器后台开发

后台包括管理后台与代理后台两部分管理后台管理后台自带网络验证卡密系统,一个后台可以完成对Pc端的全部对接,可以自定义修改分组名称分享等等代理后台分享页调用示例 <?php$request new HttpRequest(); $request->setUrl(http://xxxxxxx/api); $request->…...

编程日记 2023/7/20 4:18:08

黑客是什么？想成为黑客需要学习什么？

什么是黑客在《黑客辞典》里有不少关于“黑客”的定义, 大多和“精于技术”或“乐于解决问题并超越极限”之类的形容相关。然而，若你想知道如何成为一名黑客，只要牢记两点即可。这是一个社区和一种共享文化，可追溯到那群数十年前使…...

编程日记 2023/7/20 3:44:47

iOS中attribute的使用

通过__attribute编译期指令将数据注册至Mach-O指定段的section，可以提供更灵活的注册方式，避免了非必要依赖。通过这种方式不仅仅能够在任何地方注册string，甚至可以注册C函数。下面的库提供了注册和读取内容的简单方式，主要支持…...

编程日记 2023/7/20 3:11:26

腾讯、飞书等在线表格自动化编辑--python

编辑在线表格一目的二实现效果三实现过程简介1、本地操作表格之后进入导入在线文档2、直接操作在线文档四实现步骤讲解1、实现方法的选择2、导入类库3、设置浏览器代理直接操作已打开浏览器4、在线文档登录5、在线文档表格数据操作6、行数不够自动添加行数五代码实现小…...

编程日记 2023/7/20 2:38:05

开源库nlohmann json使用备忘

nlohmann/json是一个用于解析JSON的开源C库，口碑一流，无需额外安装其他第三方库，还支持单个头文件模式，使用起来非常方便直观。 1. 编译从官网https://github.com/nlohmann/json的Release页面下载单个json.hpp即可直接使用&…...

编程日记 2023/7/20 2:04:44

语音识别开源框架 openAI-whisper

Whisper 是一种通用的语音识别模型。它是OpenAI于2022年9月份开源的在各种音频的大型数据集上训练的语音识别模型，也是一个可以执行多语言语音识别、语音翻译和语言识别的多任务模型。 GitHub - yeyupiaoling/Whisper-Finetune: 微调Whisper语音识别模型和加速推理…...

编程日记 2023/7/20 1:31:23

先看代码 header(Content-Type:image/png); $img imagecreatetruecolor(200, 200); $white imagecolorallocate($img, 255, 255, 255); $grey imagecolorallocate($img, 100, 100, 100); $blue imagecolorallocate($img, 0, 102, 255); $red imagecolorallocate($img, …...

编程日记 2023/7/20 0:58:01

erlang 虚拟机优化参数

sbwt none 将CPU忙等待关闭将有助于降低系统显示的CPU使用率，因为开启了忙等待的BEAM，CPU负载并不代表真实的工作情况； K true 开启epoll IO模型 swt low Sets scheduler wakeup threshold. Defaults to medium. The thresh…...

编程日记 2023/7/20 0:24:40

网络安全能力成熟度模型介绍

一、概述经过多年网络安全工作，一直缺乏网络安全的整体视角，网络安全的全貌到底是什么，一直挺迷惑的。目前网络安全的分类和厂家非常多，而且每年还会冒出来不少新的产品。但这些产品感觉还是像盲人摸象，只看到网络安…...

编程日记 2023/7/19 23:51:19

python爬虫试手

同事让帮忙在某个网站爬点数据，首次尝试爬虫，遇到的问题及解决思路记录下。大体需求是需要爬取详情页内的信息，详情页有一定格式规律，但是详情页需要从列表页跳入，列表页中的每一条记录需要鼠标悬停才会弹出跳转链接…...

编程日记 2023/7/19 23:17:58

pandas 笔记：pivot_table 数据透视表

1 基本使用方法 pandas.pivot_table(data, valuesNone, indexNone, columnsNone, aggfuncmean, fill_valueNone, marginsFalse, dropnaTrue, margins_nameAll, observedFalse, sortTrue)2 主要参数 dataDataFramevalues要进行聚合的列index在数据透视表索引（index…...

编程日记 2023/7/19 22:44:36

TripGenie：畅游济南旅行规划助手：个人工作纪实(二十二）

这周，我进行了历史记录的设计与制作，我对于每一个用户与智能体交互得出的历史行程的数据进行了存储与可视化展示。首先，我设置了一个csv文件存储每一个得出的行程规划，注意这里的地图我设置了一个全路径进行存储，这样…...

编程新知 2025/6/8 10:47:12

基于springboot的藏文古籍系统

博主介绍：高级开发，从事互联网行业六年，熟悉各种主流语言，精通java、python、php、爬虫、web开发，已经做了多年的设计程序开发，开发过上千套设计程序，没有什么华丽的语言，只有实实在…...

编程新知 2025/6/8 10:22:19

基于Flask框架的前后端分离项目开发流程是怎样的？

基于Flask框架的前后端分离项目开发流程可分为需求分析、架构设计、并行开发、集成测试和部署上线五个阶段。以下是详细步骤和技术要点： 一、需求分析与规划 1. 明确项目边界功能范围：确定核心功能（如用户认证、数据管理、支付流程&#…...

编程新知 2025/6/8 8:38:53

小白的进阶之路系列之十----人工智能从初步到精通pytorch综合运用的讲解第三部分

本文将介绍Autograd基础。 PyTorch的Autograd特性是PyTorch灵活和快速构建机器学习项目的一部分。它允许在一个复杂的计算中快速而简单地计算多个偏导数（也称为梯度）。这个操作是基于反向传播的神经网络学习的核心。 autograd的强大之处在于它在运行时动态地跟踪你的计算，…...

编程新知 2025/6/8 4:37:40

32单片机——窗口看门狗

1、WWDG的简介 WWDG：Window watchdog，即窗口看门狗窗口看门狗本质上是能产生系统复位信号和提前唤醒中断的递减计数器 WWDG产生复位信号的条件： （1）当递减计数器值从0x40减到0x3F时复位（即T6位跳变到0&a…...

编程新知 2025/6/7 18:32:56

Python----目标检测（YOLO简介）

一、 YOLO简介 [YOLO](You Only Look Once）是一种流行的物体检测和图像分割模型， 由华盛顿大学的约瑟夫-雷德蒙（Joseph Redmon）和阿里-法哈迪（Ali Farhadi）开发，YOLO 于 2015 年推出&#xff0c…...

编程新知 2025/6/7 18:09:10

NLP学习路线图（二十六）：自注意力机制

一、为何需要你？序列建模的困境在你出现之前，循环神经网络（RNN）及其变种LSTM、GRU是处理序列数据（如文本、语音、时间序列）的主流工具。它们按顺序逐个处理输入元素，将历史信息压缩在一个隐藏…...

编程新知 2025/6/7 17:13:00

基于cornerstone3D的dicom影像浏览器第二十九章自定义菜单组件

文章目录前言一、程序结构1. 菜单数据结构2. XMenu.vue3. XSubMenu.vue4. XSubMenuSlot.vue5. XMenuItem.vue 二、调用流程总结前言菜单用于组织程序功能，为用户提供导航。是用户与程序交互非常重要的接口。开源组件库像Element Plus和Ant Design中都提供了功能…...

编程新知 2025/6/7 15:33:06