一个Python爬虫案例，带你掌握xpath数据解析方法！

灰太狼 2024-02-20 13:02 54阅读 0赞

### **xpath基本概念** ###

xpath解析：最常用且最便捷高效的一种解析方式。通用性强。

### **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对象中的xpath方法结合xpath表达式实现标签的定位和内容的捕获。

**环境安装**

pip install lxml

**如何实例化一个etree对象：**

from lxml import etree

1.将本地的html文件中的远吗数据加载到etree对象中：

etree.parse(filePath)

2.可以将从互联网上获取的原码数据加载到该对象中：

etree.HTML(‘page_text’)

### **xpath(‘xpath表达式’)** ###

*  /:表示的是从根节点开始定位。表示一个层级
 *  //: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\[3\] 索引从1开始的
 *  取文本：
    
     *  /text()获取的是标签中直系的文本内容
     *  //text()标签中非直系的文本内容（所有文本内容）
 *  取属性：/@attrName ==>img/src

### **xpath爬取58二手房实例** ###

爬取网址

https://xa.58.com/ershoufang/完整代码

from lxml import etree
    import requests
    
    if __name__ == '__main__':
        headers = {
            'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/84.0.4147.105 Safari/537.36'
        }
        url = 'https://xa.58.com/ershoufang/'
        page_text = requests.get(url=url,headers=headers).text
        tree = etree.HTML(page_text)
        div_list = tree.xpath('//section[@class="list"]/div')
        fp = open('./58同城二手房.txt','w',encoding='utf-8')
        for div in div_list:
            title = div.xpath('.//div[@class="property-content-title"]/h3/text()')[0]
            print(title)
            fp.write(title+'\n'+'\n')

![图片][d9d5af1d219e7a5ba7b1c500698c9188.png]

### **xpath图片解析下载实例** ###

爬取网址

https://pic.netbian.com/4kmeinv/完整代码

import requests,os
    from lxml import etree
    
    if __name__ == '__main__':
        headers = {
            'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/84.0.4147.105 Safari/537.36'
        }
        url = 'https://pic.netbian.com/4kmeinv/'
        page_text = requests.get(url=url,headers=headers).text
        tree = etree.HTML(page_text)
        li_list = tree.xpath('//div[@class="slist"]/ul/li/a')
        if not os.path.exists('./piclibs'):
            os.mkdir('./piclibs')
        for li in li_list:
            detail_url ='https://pic.netbian.com' + li.xpath('./img/@src')[0]
            detail_name = li.xpath('./img/@alt')[0]+'.jpg'
            detail_name = detail_name.encode('iso-8859-1').decode('GBK')
            detail_path = './piclibs/' + detail_name
            detail_data = requests.get(url=detail_url, headers=headers).content
            with open(detail_path,'wb') as fp:
                fp.write(detail_data)
                print(detail_name,'seccess!!')

![图片][133845f1d45a6a558ca5ca51cdbf8d59.png]

### **xpath爬取全国城市名称实例** ###

爬取网址

https://www.aqistudy.cn/historydata/完整代码

import requests
    from lxml import etree
    
    if __name__ == '__main__':
        url = 'https://www.aqistudy.cn/historydata/'
        headers = {
            'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/87.0.4280.141 Safari/537.36',
        }
        page_text = requests.get(url=url,headers=headers).content.decode('utf-8')
        tree = etree.HTML(page_text)
        #热门城市   //div[@class="bottom"]/ul/li
        #全部城市   //div[@class="bottom"]/ul/div[2]/li
        a_list = tree.xpath('//div[@class="bottom"]/ul/li | //div[@class="bottom"]/ul/div[2]/li')
        fp = open('./citys.txt','w',encoding='utf-8')
        i = 0
        for a in a_list:
            city_name = a.xpath('.//a/text()')[0]
            fp.write(city_name+'\t')
            i=i+1
            if i == 6:
                i = 0
                fp.write('\n')
        print('爬取成功')

![bb7417d15aad419e92ac3d9d2ef4b4cb.png][]

### **xpath爬取简历模板实例** ###

爬取网址

https://sc.chinaz.com/jianli/free.html完整代码

import requests,os
    from lxml import etree
    
    if __name__ == '__main__':
        url = 'https://sc.chinaz.com/jianli/free.html'
        headers = {
            'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/87.0.4280.141 Safari/537.36',
        }
        page_text = requests.get(url=url,headers=headers).content.decode('utf-8')
        tree = etree.HTML(page_text)
        a_list = tree.xpath('//div[@class="box col3 ws_block"]/a')
        if not os.path.exists('./简历模板'):
            os.mkdir('./简历模板')
        for a in a_list:
            detail_url = 'https:'+a.xpath('./@href')[0]
            detail_page_text = requests.get(url=detail_url,headers=headers).content.decode('utf-8')
            detail_tree = etree.HTML(detail_page_text)
            detail_a_list = detail_tree.xpath('//div[@class="clearfix mt20 downlist"]/ul/li[1]/a')
            for a in detail_a_list:
                download_name = detail_tree.xpath('//div[@class="ppt_tit clearfix"]/h1/text()')[0]
                download_url = a.xpath('./@href')[0]
                download_data = requests.get(url=download_url,headers=headers).content
                download_path = './简历模板/'+download_name+'.rar'
                with open(download_path,'wb') as fp:
                    fp.write(download_data)
                    print(download_name,'success!!')

![图片][caeb25c99293281944ee45e5920de671.png]

**更多精彩教程欢迎B站搜索“千锋教育”**

千锋教育Python全套视频教程，轻松掌握Excel、Word、PPT、邮件、爬虫、office办公自动化（宋如宁主讲）

[d9d5af1d219e7a5ba7b1c500698c9188.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/02/20/c7b8f4d72ad040bab7c86d6c3596dccb.png
[133845f1d45a6a558ca5ca51cdbf8d59.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/02/20/b3f96cf6f4b94f4caccc249061bbcab3.png
[bb7417d15aad419e92ac3d9d2ef4b4cb.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/02/20/ea9acba7495d4d4fb062a83dc99cecdb.png
[caeb25c99293281944ee45e5920de671.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/02/20/0ab7aa93bcf14207b6db766d03adba55.png