进一步了解XPath（利用XPath爬取飞哥的博客）【python爬虫入门进阶】（04）

#省略第一步的代码 href = li_temp_list[0].xpath('./h4/a/@href')[0] print(href)

得到的结果是：https://feige.blog.csdn.net/article/details/121003473 。需要注意的是.xpath方法返回的是一个列表，所以需要提取其第一个元素

第三步：获取标题内容

按照获取链接的思想，我们同样可以获取标题内容。标题的内容就直接在a标签里。这里只需要多一步就是通过text()方法提取a标签的内容。表达式就是//div[@class="article-item-box csdn-tracking-statistics"]/h4/a/text()。

参考代码是：

title_list = li_temp_list[0].xpath('./h4/a/text()') print(title_list) print(title_list[1])

运行结果是：

['\n ', '\n 浅识XPath（熟练掌握XPath的语法）【python爬虫入门进阶】（03）\n '] 浅识XPath（熟练掌握XPath的语法）【python爬虫入门进阶】（03）

因为列表中的第一个元素是\n，所以需要获取第二个元素。

完整的参考代码

import requests from lxml import etree import json import os class FeiGe: # 初始化 def __init__(self, url, pages): self.url = url self.pages = pages self.headers = { "user-agent": "Mozilla/5.0 (Macintosh; Intel Mac OS X 10_15_7) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/95.0.4638.54 Safari/537.36"} def get_total_url_list(self): """ 获取所有的urllist :return: """ url_list = [] for i in range(self.pages): url_list.append(self.url + "/article/list/" + str(i + 1) + "?t=1") return url_list def parse_url(self, url): """ 一个发送请求，获取响应，同时etree处理html :param url: :return: """ print('parsing url:', url) response = requests.get(url, headers=self.headers, timeout=10) # 发送请求 html = response.content.decode() html = etree.HTML(html) return html def get_title_href(self, url): """ 获取一个页面的title和href :param url: :return: """ html = self.parse_url(url) # 获取文章分组 li_temp_list = html.xpath('//div[@class="article-item-box csdn-tracking-statistics"]') total_items = [] # 遍历分组 for i in li_temp_list: href = i.xpath('./h4/a/@href')[0] if len(i.xpath('./h4/a/@href')) > 0 else None title = i.xpath('./h4/a/text()')[1] if len(i.xpath('./h4/a/text()')) > 0 else None summary = i.xpath('./p')[0] if len(i.xpath('./p')) > 0 else None # 放入字典 item = dict(href=href, text=title.replace('\n', ''), summary=summary.text.replace('\n', '')) total_items.append(item) return total_items def save_item(self, item): """ 保存一个item :param item: :return: """ with open('feige_blog.txt', 'a') as f: f.write(json.dumps(item, ensure_ascii=False, indent=2)) f.write("\n") def run(self): # 找到url规律，url_list url_list = self.get_total_url_list() os.remove('feige_blog.txt') for url in url_list: # 遍历url_list发送请求，获得响应 total_item = self.get_title_href(url) for item in total_item: print(item) self.save_item(item) if __name__ == '__main__': fei_ge = FeiGe("https://feige.blog.csdn.net/", 8) fei_ge.run()

运行结果是：

该类主要分为几大块。

初始化方法__init__(self, url, pages) 主要设置需要爬取的博客的域名，以及博客的页数，以及初始化请求头。

获取所有页数的链接的方法get_total_url_list(self) ，这里需要注意的链接的规律。

parse_url(self, url) 方法主要就是根据传入的url获得该url的html页面。

get_title_href(self, url) 方法主要分为两块，第一块就是调用parse_url(self, url) 方法得到链接对应的html页面。第二块就是解析HTML页面以定位到我们需要的数据的元素，并将元素放在列表total_items中返回。

save_item(self, item) 方法就是将第四步返回的total_items中的数据保存到feige_blog.txt文件中。

run(self) 方法是主入口，统筹调用各个方法。

总结

本文通过码农飞哥演示了如何在实战中使用XPath来爬取我们想要的数据。

HTML Python

版权声明：本文内容由网络用户投稿，版权归原作者所有，本站不拥有其著作权，亦不承担相应法律责任。如果您发现本站中有涉嫌抄袭或描述失实的内容，请联系我们jiasou666@gmail.com 处理，核实后本网站将在24小时内删除侵权内容。