我們今天寫的爬蟲內(nèi)容是xpath，我們通過美食頁面的分析帶領(lǐng)大家學(xué)習(xí)xpath。

　　先來介紹一下xpath。 XPath即為XML路徑語言，它是一種用來確定XML(標(biāo)準(zhǔn)通用標(biāo)記語言的子集)文檔中某部分位置的語言。XPath基于XML的樹狀結(jié)構(gòu)，有不同類型的節(jié)點(diǎn)，包括元素節(jié)點(diǎn)，屬性節(jié)點(diǎn)和文本節(jié)點(diǎn)，提供在數(shù)據(jù)結(jié)構(gòu)樹中找尋節(jié)點(diǎn)的能力。 跟BeautifulSoup4一樣都是用來解析頁面內(nèi)容的工具，只不過使用方式有所不同而已。

　　要想使用xpath，需要安裝lxml： pip install lxml

　　案例分析

　　下面我們通過豆果網(wǎng)精選美食https://www.douguo.com/jingxuan/0來帶領(lǐng)大家學(xué)習(xí)使用xpath。

Picture

　　我們要獲取菜譜的名稱、作者、瀏覽量、收藏量、圖片等信息，每頁中有24個(gè)菜譜推薦。

　　看一下文章的節(jié)點(diǎn)情況：

　　可以發(fā)現(xiàn)有多個(gè)li【類選擇器是item的】標(biāo)簽，每個(gè)li里面包含兩部分內(nèi)容過：【a標(biāo)簽和div標(biāo)簽】

　　a標(biāo)簽中包含的是圖片和視頻內(nèi)容過，

　　div標(biāo)簽中包含的信息是：菜譜的名稱、作者、瀏覽量、收藏量

　　因此我們通過節(jié)點(diǎn)找到id=jxlist的ul標(biāo)簽，就可以獲取里面的多個(gè)li標(biāo)簽。

　　xpath節(jié)點(diǎn)選取語法

　　在介紹bs4的時(shí)候，我們已經(jīng)給大家介紹了節(jié)點(diǎn)的概念，比如父節(jié)點(diǎn)、子節(jié)點(diǎn)、同胞節(jié)點(diǎn)、先輩節(jié)點(diǎn)和后代節(jié)點(diǎn)等。

　　XPath 使用路徑表達(dá)式在 XML 文檔中選取節(jié)點(diǎn)。節(jié)點(diǎn)是通過沿著路徑或者 step 來選取的。

　　常用的路徑表達(dá)式有：

　　但是往往在查找的時(shí)候，我們需要獲取某個(gè)特定的節(jié)點(diǎn)，則需要配合下面的方式即：被嵌在方括號(hào)內(nèi)，用來查找某個(gè)特定的節(jié)點(diǎn)或包含某個(gè)制定的值的節(jié)點(diǎn)。

　　另外還可以在使用xpath的時(shí)候使用通配符和功能函數(shù)

　　案例使用

　　使用requests獲取網(wǎng)頁信息

　　import requests

　　headers = {

　　'User-Agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_14_3) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/91.0.4472.101 Safari/537.36'}

　　response = requests.get('https://www.douguo.com/jingxuan/0', headers=headers)

　　# 為了寫xpath內(nèi)容，我們先將內(nèi)容保存到本地，然后爬取多頁內(nèi)容

　　with open('jingxuan.html', 'wb') as stream:

　　stream.write(response.content)

　　我們分析頁面內(nèi)容并使用xpath，

　　獲取美食的詳情頁鏈接

　　可以發(fā)現(xiàn)詳情頁的鏈接在a標(biāo)簽的href屬性中，通過xpath獲取可以使用：

　　//ul[@id="jxlist"]/li/a/@href

　　表示獲取id叫jxlist的ul標(biāo)簽，注意此處使用了//，每一層的/表示一層關(guān)系

　　完整代碼：

　　from lxml import etree

　　# 讀取保存在本地的網(wǎng)頁，進(jìn)行xpath解析

　　with open('jingxuan.html', 'r') as stream:

　　all = stream.read()

　　html = etree.HTML(all)

　　links = html.xpath('//ul[@id="jxlist"]/li/a/@href')

　　print(links)

　　結(jié)果提取出了所有l(wèi)i中的詳情頁鏈接，當(dāng)前如果訪問要添加前綴(https://www.douguo.com)進(jìn)行拼接：

　　['/cookbook/3102422.html', '/cookbook/3102421.html', '/cookbook/3102419.html', ..... ]

　　美食圖片的獲取，美食圖片的鏈接在a標(biāo)簽的img標(biāo)簽中，所以代碼要改成：

　　images = html.xpath('//ul[@id="jxlist"]/li/a/img/@src')

　　print(images)

　　獲取了每個(gè)美食的圖片鏈接，結(jié)果如下：

　　['https://cp1.douguo.com/upload/caiku/a/6/a/400x266_a6502b09c35f4331a5c4b812f5e77bba.jpeg', 'https://cp1.douguo.com/upload/caiku/7/6/a/400x266_7639e7ea6394437042e9b2f77414f84a.jpg',

　　......

　　]

　　菜名的獲取，有兩種方式：

　　在a標(biāo)簽的alt屬性中獲取

　　//ul[@id="jxlist"]/li/a/@alt

　　在div的第一個(gè)a標(biāo)簽中獲取

　　//ul[@id="jxlist"]/li/div/a[1]/text()

　　本次使用的是第二種方式，其中a[1]表示div中的第一個(gè)div標(biāo)簽。

　　names = html.xpath('//ul[@id="jxlist"]/li/div/a[1]/text()')

　　print(names)

　　結(jié)果：

　　['麻辣小龍蝦', '#仙女們的私藏鮮法大PK#家庭版健康雙牛漢堡', '#舌尖上的端午#藍(lán)莓醬', '蒜蓉蝦', '奶香小面包',......]

　　發(fā)表用戶的獲取

　　用戶名在div的第二個(gè)a標(biāo)簽中，但是發(fā)現(xiàn)a標(biāo)簽不僅有文本還有img標(biāo)簽。按照上面的方式獲取(注意文本的獲取使用text())

　　//ul[@id="jxlist"]/li/div/a[2]/text()

　　發(fā)現(xiàn)結(jié)果，將文本的換行和空格內(nèi)容都包含在里面了，而且每個(gè)文本的前面都有一個(gè)空內(nèi)容：

　　于是我們需要進(jìn)行正則的替換和獲取有用信息。

　　import re

　　users = html.xpath('//ul[@id="jxlist"]/li/div/a[2]/text()')

　　pattern = re.compile(r"\n+|\s+", re.S) # 查找\n和\s進(jìn)行替換

　　users = [pattern.sub('', users[u]) for u in range(1,len(users),2)] # 刪除第一個(gè)空內(nèi)容

　　print(users)

　　結(jié)果：

　　['好吃的豆苗', '馬賽克姑涼', '淺夏°淡雅', '清雅wuda', '肉乎乎的小瘦子', 'dreamer...', '拒絕添加劑',......]

　　瀏覽量和收藏量的獲取方式是一樣的，分別在兩個(gè)span標(biāo)簽中

　　//ul[@id="jxlist"]/li/div/div/span[1]/text() 獲取瀏覽量

　　//ul[@id="jxlist"]/li/div/div/span[2]/text() 獲取收藏量

　　代碼如下：

　　views = html.xpath('//ul[@id="jxlist"]/li/div/div/span[1]/text()')

　　print(views)

　　collects = html.xpath('//ul[@id="jxlist"]/li/div/div/span[2]/text()')

　　print(collects)

　　運(yùn)行結(jié)果：

　　['3656', '1.5萬', '1.5萬', '3158', '2729', '1.2萬', '2.0萬', ...... ]

　　['78', '431', '504', '83', '32', '245', '484',......]

　　完整代碼

　　以下代碼添加了分頁的內(nèi)容，分頁的特點(diǎn)是：

　　https://www.douguo.com/jingxuan/0 第一頁

　　https://www.douguo.com/jingxuan/24 第二頁

　　https://www.douguo.com/jingxuan/48 第二頁

　　.....

　　import requests

　　import re

　　import csv

　　from lxml import etree

　　def get_html(page):

　　headers = {

　　'User-Agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_14_3) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/91.0.4472.101 Safari/537.36'}

　　response = requests.get('https://www.douguo.com/jingxuan/' + str(page), headers=headers)

　　return response.text

　　def parse_html(content):

　　html = etree.HTML(content)

　　links = html.xpath('//ul[@id="jxlist"]/li/a/@href')

　　images = html.xpath('//ul[@id="jxlist"]/li/a/img/@src')

　　names = html.xpath('//ul[@id="jxlist"]/li/div/a[1]/text()')

　　users = html.xpath('//ul[@id="jxlist"]/li/div/a[2]/text()')

　　pattern = re.compile(r"\n+|\s+", re.S)

　　users = [pattern.sub('', users[u]) for u in range(1, len(users), 2)]

　　views = html.xpath('//ul[@id="jxlist"]/li/div/div/span[1]/text()')

　　collects = html.xpath('//ul[@id="jxlist"]/li/div/div/span[2]/text()')

　　return zip(names, links, users, views, collects, images)

　　def save_data(foods):

　　with open('foods.csv', 'a') as stream:

　　writer = csv.writer(stream)

　　writer.writerows(foods)

　　if __name__ == '__main__':

　　for i in range(6):

　　page = i*24

　　content = get_html(page)

　　foods = parse_html(content)

　　save_data(foods)

　　print(f"第{i+1}頁保存成功!")