python爬虫精选06集（xpath解析、lxml解析库、案例实战）

• 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方法结合着xpath表达式实现标签的定位和内容的捕获。
  • 环境的安装：
    • pip install lxml
  • 如何实例化一个etree对象:from lxml import etree
    • 1.将本地的html文档中的源码数据加载到etree对象中：
      etree.parse(filePath)
    • 2.可以将从互联网上获取的源码数据加载到该对象中
      etree.HTML('page_text')
    • xpath('xpath表达式')
  • xpath表达式:
    • /:表示的是从根节点开始定位。表示的是一个层级。
    • //:表示的是多个层级。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] 索引是从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（所有的文本内容）
    • 取属性：
      /@attrName ==>img/src

实战：抓取某网房源数据

https://www.taiwu.com/ershoufang/

通过xpath定位可以看到房源数据都放在div标签中。路径为：//div[@class="er-list"]/div

房源标题xpath路径为：//div[@class="er-list"]/div/div/div[2]/div/a/text()

所以代码示例：

# -*- encoding: utf-8 -*-
"""
@File    : 爬取58二手房.py
@Time    : 2022/3/20 17:31
@Author  : simon
@Email   : 294168604@qq.com
@Software: PyCharm
"""
import requests
from lxml import etree
#需求：爬取58二手房中的房源信息
if __name__ == "__main__":
    headers = {
        'User-Agent':'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_12_0) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/73.0.3683.103 Safari/537.36'
    }
    #爬取到页面源码数据
    url = 'https://www.taiwu.com/ershoufang/'
    page_text = requests.get(url=url,headers=headers).text

    #数据解析
    tree = etree.HTML(page_text)
    #存储的就是li标签对象
    li_list = tree.xpath('//div[@class="er-list"]/div')
    fp = open('taiwu.txt','w',encoding='utf-8')
    for li in li_list:
        #局部解析
        title = li.xpath('./div/div[2]/div/a/text()')[0]
        print(title)
        fp.write(title+'\n')

效果展示：