4-数据提取方法2（xpath和lxml）（6节课学会爬虫）

1，Xpath语法：

Xpath是一门从HTML中提取数据的一门语言
Xpath helper插件：帮助我们从element中定位数据

  爬虫是爬不到element的内容的，这里使用插件只是让其帮助我们学习xpath中的语法，从url地址中的响应中提取数据，只有response内容和element中内容相同时，才可以使用此工具提取数据，否则只能看response内容才能去提取，当然xpath语法简单，看就能看到。

（1）选择节点（标签）

-- /html/head/meta：能够选中html下的head下的所有的meta标签

（2）“//”:能从任意节点开始选择

“//li”：当前页面下的所有li标签
“/html/head//link”：选择head下的所有link标签（head下的任意一级都会被选中）

（3）“@”符号的用途

定位元素：“//ul[@class="topic_ul"]/li”
选择class="topic_ul"的ul标签下的li标签
“/a/@href”： 选择a标签的href属性值

（4）获取文本

“/a/text()”： 获取文本（标签a中包含的文本）
“/a//text()”： 获取a标签下的所有文本，即便a标签下有其他标签，所有的文本都会得到

（5）点前

“./a”：当前节点下的a标签

相应方法可到w3cschool中查找，上面学到的已经能解决80%的问题了

@可以定位一个属性，一个节点
选择节点（标签）

2，简单使用

（1）判断某个标签是否被选中

如下，选择全部的meta都选择上了

（2）选择当前页面的任何一个节点（双斜杠//）

  我们如果从根路径，一个一个的去找太麻烦了，而且使用鼠标找到某一标签后，使用//可以得到当前页面的任意节点。
  可以选择整个页面下的任何一个li标签

（3）选择指定的标签

@符号能选择指定属性的值
[]能对选择的标签进行限定

3，Lxml（在代码中使用xpath语法）

（1）安装

pip install lxml

（2）使用

from lxml import etreeelement = etree.HTML("html字符串")     #etree可以将HTML的字符串转换成一个对象
element.xpath("/html/head/meta")                         #此时可以对此对象使用xpath语法了

（3）爬取豆瓣电影

下方式爬取豆瓣电影排行榜的某一页的电影信息的爬虫程序

#-*- codeing = utf-8 -*- 
#@Time : 2020/12/10 14:50
#@Author : 招财进宝
#@File : 09_try_lxml.py
#@Software: PyCharmimport requests
from lxml import etreeurl="https://movie.douban.com/chart"headers = {"user-agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/86.0.4240.198 Safari/537.36"}response = requests.get(url,headers=headers)
html_str = response.content.decode()
#print(html_str)#使用etree处理数据html = etree.HTML(html_str)     #etree可以将HTML的字符串转换成一个对象
print(html)                          #一个element对象，可以进行xpath撰写#此时可以对此对象使用xpath语法了# #1.获取所有的电影的url地址
# url_list = html.xpath("//div[@class='indent']/div/table//div[@class='pl2']/a/@href")
# print(url_list)
#
# #2.获取所有的图片的url地址
# img_list = html.xpath("//div[@class='indent']/div/table//a[@class='nbg']/img/@src")
# print(img_list)#3.需要把每部电影组成一个字典，字典中是电影的多重数据，如标题，url，图片地址，评论数，评分
#  思路：#1.分组#2.每一组提取数据ret1 = html.xpath("//div[@class='indent']/div/table")           #通过此中方式先对每个模块进行分组
print(ret1)     #[<Element table at 0x278cea01708>, <Element table at 0x278bed91708>,共10个table的对象for table in ret1:item = {}item["title"]=table.xpath(".//div[@class='pl2']/a/text()")[0].replace("/","").strip()       #此处只有中文的电影名#print(item["title"])item["href"] = table.xpath(".//div[@class='pl2']/a/@href")[0]item["img"] = table.xpath(".//a[@class='nbg']/img/@src")[0]item["comment_num"] = table.xpath(".//span[@class='pl']/text()")[0]item["rating_num"] = table.xpath(".//span[@class='rating_nums']/text()")[0]print(item)