Python爬虫（入门+进阶）学习笔记 1-4 使用Xpath解析豆瓣短评

本节课程主要介绍解析神器Xpath是什么、Xpath如何安装及使用，以及使用实际的例子讲解Xpath如何解析豆瓣短评的网页并获取数据。

解析神器Xpath
Xpath的使用
实战环节

解析神器Xpath：

1. 什么是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很快的被开发者采用来当作小型查询语言。

可以阅读该文档了解更多关于Xpath的知识。

2. Xpath解析网页的流程

首先通过Requests库获取网页数据
通过网页解析，得到想要的数据或者新的链接
网页解析可以通过Xpath或者其它解析工具进行，Xpath在是一个非常好用的网页解析工具

3. 常用的网页解析

正则表达式使用比较困难，学习成本较高
BeautifulSoup性能较慢，相对于Xpath较难，在某些特定场景下有用
Xpath使用简单，速度快（Xpath是lxml里面的一种），是抓取数据最好的选择

4. Xpath的安装

pip install lxml

Xpath的使用：

1. 使用Xpath解析网页数据的步骤

从lxml导入etree
解析数据，返回xml结构

使用.xpath()寻找和定位数据

from lxml import etreehtml ='''#省略'''#html数据，使用requests获取s = etree.HTML(html)#解析html数据print(s.xpath())#使用.xpath()

2. 获取Xpath的方法

第一种方法：从浏览器直接复制

首先在浏览器上定位到需要爬取的数据

右键，点击“检查”，在“Elements”下找到定位到所需数据

右键——Copy——Copy Xpath，即可完成Xpath的复制

示例：

#从浏览器直接复制Xpath
import requests
from lxml import etreeurl = 'https://book.douban.com/subject/1084336/comments/'
r = requests.get(url).texts = etree.HTML(r)
print(s.xpath('//*[@id=“comments”]/ul/li[1]/div[2]/p/text()'))

第二种方法：手写Xpath

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

想要获取某个标签下所有的文本（包括子标签下的文本），使用string
如”< p>123< a>来获取我啊< /a>< /p>”，这边如果想要得到的文本为”123来获取我啊”，则需要使用string

starts-with 匹配字符串前面相等

contains 匹配任何位置相等

示例：

#手写Xpath
import requests
from lxml import etreeurl = 'https://book.douban.com/subject/1084336/comments/'
r = requests.get(url).texts = etree.HTML(r)
print(s.xpath('//div[@class="comment"]/p/text()')[0])

实战环节

使用Xpath爬取豆瓣图书《小王子》短评网页

使用从浏览器复制Xpath的方法获取同一网页下不同短评的Xpath，通过对比发现其规律
对比从浏览器复制Xpath的方法跟手写Xpath的方法的不同点已经两种方法各自的应用场景

#!/usr/bin/env python3
# -*- coding: utf-8 -*-
"""
Created on Sat Mar 17 11:54:48 2018@author: Jackie
"""import requests
from lxml import etree  url = 'https://book.douban.com/subject/1084336/comments/'
r = requests.get(url).text  s = etree.HTML(r)
#从浏览器复制第一条评论的Xpath
print(s.xpath('//*[@id="comments"]/ul/li[1]/div[2]/p/text()'))
#从浏览器复制第二条评论的Xpath
print(s.xpath('//*[@id="comments"]/ul/li[2]/div[2]/p/text()'))
#从浏览器复制第三条评论的Xpath
print(s.xpath('//*[@id="comments"]/ul/li[3]/div[2]/p/text()')) #掌握规律，删除li[]的括号，获取全部短评
print(s.xpath('//*[@id="comments"]/ul/li/div[2]/p/text()'))  #手写Xpath获取全部短评
print(s.xpath('//div[@class="comment"]/p/text()'))

通过对比可以发现从浏览器复制的Xpath中，“li[]”括号中的数字代表对应的第几条评论，直接删除括号，即可获取全部短评
对于结构清晰的html网页，可以直接手写Xpath，更加简洁且高效
对于结构复杂的html网页，可以通过浏览器复制的方式获取Xpath

课后练习：爬取小猪短租（深圳）页面的数据

首先使用浏览器打开小猪短租(深圳) 的页面，通过阻止JavaScript加载的方法确定网页的加载方式
可以发现，阻止JavaScript加载之后页面还是可以显示短租的标题、价格等数据
接下来便可以爬取这一部分可显示的数据，在此例子中，我们主要爬取单个页面中每条短租信息的标题、价格和经纬度

import requests
from lxml import etree
url = 'http://sz.xiaozhu.com/'
r = requests.get(url).text#使用requests获取数据
s = etree.HTML(r)#解析html数据
print(s.xpath('//*[@id="page_list"]/ul/li/div[2]/div/a/span/text()'))#打印短租标题
print(s.xpath('//*[@id="page_list"]/ul/li/div[2]/span[1]/i/text()'))#打印短租价格
print(s.xpath('//*[@id="page_list"]/ul/li/@latlng'))#打印短租经纬度

更详细过程可参考： python爬虫实践——零基础快速入门（四）爬取小猪租房信息

课后练习：虎扑

Copy Xpath可以看到虎扑的标题：

/html/body/div[4]/div[1]/div[1]/div[2]/dl/dd[1]/a[1]
/html/body/div[4]/div[1]/div[1]/div[2]/dl/dd[1]/a[2]
/html/body/div[4]/div[1]/div[1]/div[2]/dl/dd[2]/a[1]

所以猜测标题的Xpath为

/html/body/div[4]/div[1]/div[1]/div[2]/dl/dd/a

代码：

#!/usr/bin/env python3
# -*- coding: utf-8 -*-
"""
Created on Tue Mar 27 17:37:45 2018@author: Jackie
"""import requests
from lxml import etree
import timeurl3 = 'https://nba.hupu.com/'
data3 = requests.get(url3).text
h = etree.HTML(data3)
titles = h.xpath('/html/body/div[4]/div[1]/div[1]/div[2]/dl/dd/a/text()')for title in titles:print (title)

结果：

补充知识

Xpath教程

阅读Xpath教程，掌握Xpath的基本知识

Xpath的基本使用

阅读爬虫入门到精通-网页的解析（xpath），参考Xpath的使用方法

阅读Python爬虫利器三之Xpath语法与lxml库的用法，了解更多Xpath的使用方法示例

正则表达式

阅读Python正则表达式，了解正则表达式及其基本的语法

阅读爬虫入门到精通-网页的解析（正则），学习使用正则表达式匹配网页数据

BeautifulSoup

阅读Beautiful Soup 中文教程，了解使用BeautifulSoup解析网页的方法

阅读Beautiful Soup 4.2.0 文档这篇BeautifulSoup的官方文档，了解其更加全面的用法

Python爬虫（入门+进阶）学习笔记 1-4 使用Xpath解析豆瓣短评相关推荐

Python爬虫入门实战学习笔记（一）
(全部代码在最后,学自"我的IT私塾") 什么是爬虫网络爬虫,是一种按照一定规则,自动抓取互联网信息的程序或者脚本.由于互联网数据的多样性和资源的有限性,根据用户需求定向抓取相关 ...
python eval 入门_Python学习笔记整理3之输入输出、python eval函数
Python学习笔记整理3之输入输出.python eval函数来源:中文源码网浏览: 次日期:2018年9月2日 Python学习笔记整理3之输入输出.python eval函数 ...
全网最全python爬虫系统进阶学习(附原代码)学完可就业
个人公众号 yk 坤帝后台回复爬虫进阶获取全部源代码 5.2(第二天) 第一章爬虫介绍 1.认识爬虫第二章:requests实战(基础爬虫) 1.豆瓣电影爬取 2.肯德基餐厅查询 3.破解百 ...
python爬虫（个人学习笔记）
在学习过程中是跟随 https://www.bilibili.com/video/BV12E411A7ZQ?p=26&spm_id_from=pageDriver视频中的老师自己多写两遍也就 ...
Python爬虫框架Scrapy学习笔记
scrapy.png 本文主要内容针对Scrapy有初步了解的同学.结合作者的实际项目中遇到的一些问题,汇成本文. 之后会写一些具体的爬虫demo, 放到 https://github.com/han ...
Python爬虫框架Scrapy学习笔记原创
字号 scrapy [TOC] 开始 scrapy安装首先手动安装windows版本的Twisted https://www.lfd.uci.edu/~gohlke/pythonlibs/#twis ...
进一步了解XPath（利用XPath爬取飞哥的博客）【python爬虫入门进阶】（04）
您好,我是码农飞哥,感谢您阅读本文,欢迎一键三连哦. 本文是爬虫专栏的第四篇,重点介绍lxml库与XPath搭配使用解析网页提取网页内容. 干货满满,建议收藏,系列文章持续更新. 小伙伴们如有问题及需 ...
Python爬虫框架Scrapy 学习笔记 6 ------- 基本命令
1. 有些scrapy命令,只有在scrapy project根目录下才available,比如crawl命令 2 . scrapy genspider taobao http://detail.tm ...
python爬虫入门+进阶_python爬虫入门到进阶（三）
本节: 带Cookies的访问设置headers访问绕过网站检测设置Headers 有些网站会验证访问者是否合法,所以上一节的访问方式在一些网站就会失灵 ,网站对请求不予以响应,为了模拟浏览器工作 ...