函数evaluate不识别公式中的中括号怎么办(没有evaluate函数)
1068
2022-05-30
环境配置
本文使用的python版本是python3
使用到的依赖包如下:
```python
pip install requests
pip install scrapy
```
在安装scrapy之前需要先安装Twisted(点击下载) 下载符合自己版本的Twisted,然后将其放入python安装目录中,先使用命令安装pip install Twisted。安装完之后,scrapy就很容易安装了,安装命令如下:pip install scrapy。
本文要点
1.xpath 基本语法和用法示例
2.使用 xpath 爬取《盗墓笔记》实例
xpath 基本语法
xpath,全称XML Path Language,即XML路径语言,它是一门在XML文档中查找信息的语言。
xpath的选择功能十分强大,它提供了非常简洁明了的路径选择表达式,几乎所有我们想要定位的节点都可以用xpath来选择。首先我们来看下xpath的基本语法。
在这里列出了xpath的常用匹配规则,例如 / 代表选取直接子节点,// 代表选择所有子孙节点,. 代表选取当前节点,.. 代表选取当前节点的父节点,@ 则是加了属性的限定,选取匹配属性的特定节点。
xpath 用法举例
接下来我们以豆瓣电影为例子,来熟悉一下xpath基本用法:
打开网页 https://movie.douban.com/top250
豆瓣电影top250
首先需要找到我们所匹配的内容在html中的位置。
从图片中可以看到排名第一的电影标题是在标签为div,class属性为*hd中的a标签中所有的span标签里面!
然后我们需要一级一级往上面找,因为这个层级太深了,有时候会匹配不到我们所需要的内容。
我们最开始匹配的标签要满足它的所有特征加起来是唯一的。
很容易看到属性为article正是我们所需要的标签!因为找不到第二个div标签且class属性为article的标签!
获取电影标题语法如下,因为是文本内容,所以要用text():
html.xpath(".//div[@class='article']/ol/li[1]//div[@class='hd']/a//span[1]/text()")
同理,我们获取电影详情链接的语法,因为是属性,所以要用@属性值:
html.xpath(".//div[@class='article']/ol/li[1]//div[@class='hd']/a/@href")
我们可以将其加入到爬虫代码中,效果如下:
豆瓣电影爬虫
使用 xpath 爬取盗墓笔记
目标地址:
盗墓笔记全篇 http://seputu.com/
总体思路:
1.分析网页结构,取出我们需要的标题,以及下一步需要用到的链接
2.根据章节的链接地址,再爬取出章节小说
首先分析我们需要爬取的内容,在网页中的位置。
经过上面的讲解,相信大家很容易就可以写出xpath的语法。因为我们是要爬取所有小说内容,所以我们要循环所有li标签里面的内容!
```python
html.xpath(".//div[@class='box']/ul//li")
```
遍历这个列表,取出我们所需要的章节,详细链接
```python
li_list = selector.xpath(".//div[@class='box']/ul//li")
fortextinli_list:
title = text.xpath("./a/text()").extract_first('')
href = text.xpath('./a/@href').extract_first('')
```
接下来,从详情链接中取出小说内容,即完成了这个小爬虫!
```python
p_list = selector.xpath(".//div[@class='content-body']//p")
fordatainp_list:
content += data.xpath("./text()").extract_first('')
```
最重要的分析部分完成了,接下来主要就是将所有的内容放入代码中,然后保存到本地就完成了。
最终爬虫代码如下:
```python
# coding: utf-8
fromscrapyimportSelector
importrequests
classKeyEnum(object):
TITLE ="title"
CONTENT ="content"
HREF ="href"
classNovelSpider(KeyEnum):
def__init__(self):
self.headers = {
"User-Agent":"Mozilla/5.0 (Windows NT 10.0; Win64; x64) "
"AppleWebKit/537.36 (KHTML, like Gecko) Chrome/69.0.3497.100 Safari/537.36"
}
defspider(self):
url ='http://seputu.com/'
response = requests.get(url, headers=self.headers)
selector = Selector(text=response.content)
data_list = []
li_list = selector.xpath(".//div[@class='box']/ul//li")# 章节列表
fortextinli_list:
title = text.xpath("./a/text()").extract_first('')# 标题
href = text.xpath('./a/@href').extract_first('')# 链接
content = self._content_spider(href)# 详情页面爬虫
data_list.append(
{
KeyEnum.HREF: href,
KeyEnum.TITLE: title,
KeyEnum.CONTENT: content,
}
)
returndata_list
def_content_spider(self, url):
content =''
for_inrange(5):# 因为没用代理,如果失败,再重试5次
ifurl:# 加个url是否为空的判断
response = requests.get(url, headers=self.headers)
ifresponse.status_code !=200:
continue
selector = Selector(text=response.content)
p_list = selector.xpath(".//div[@class='content-body']//p")
fordatainp_list:
content += data.xpath("./text()").extract_first('')
returncontent
defmain(self):
data_list = self.spider()
foriindata_list:
withopen('盗墓笔记.txt','a', encoding='utf-8')asf:
f.write(i['content'])
if__name__ =='__main__':
spider = NovelSpider()
spider.main()
```
总结
本文主要介绍了 python 中解析库xpath的使用方法和示例,用法其实很简单,关键在于多多练习!下篇文章打算分享另一个解析库css的用法,以及和xpath之间的区别,欢迎关注!
Python Jupyter notebook XSLT & XPath
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。