Python爬蟲新手入門之初學lxml庫

Posted on by

1.爬蟲是什麼

所謂爬蟲，就是按照一定的規則，自動的從網絡中抓取信息的程序或者腳本。萬維網就像一個巨大的蜘蛛網，我們的爬蟲就是上面的一個蜘蛛，不斷的去抓取我們需要的信息。

2.爬蟲三要素

  • 抓取
  • 分析
  • 存儲

3.爬蟲的過程分析

當人類去訪問一個網頁時，是如何進行的？

　　①打開瀏覽器，輸入要訪問的網址，發起請求。

　　②等待服務器返回數據，通過瀏覽器加載網頁。

　　③從網頁中找到自己需要的數據（文本、圖片、文件等等）。

　　④保存自己需要的數據。

對於爬蟲，也是類似的。它模仿人類請求網頁的過程，但是又稍有不同。

　　首先，對應於上面的①和②步驟，我們要利用python實現請求一個網頁的功能。

　　其次，對應於上面的③步驟，我們要利用python實現解析請求到的網頁的功能。

　　最後，對於上面的④步驟，我們要利用python實現保存數據的功能。

　　因為是講一個簡單的爬蟲嘛，所以一些其他的復雜操作這裡就不說瞭。下面，針對上面幾個功能，逐一進行分析。

4.如何用python請求一個網頁

作為一門擁有豐富類庫的編程語言，利用python請求網頁完全不在話下。這裡推薦一個非常好用的類庫urllib.request。

4.1.抓取網頁

urllib庫使用

import urllib.request
 
response = urllib.request.urlopen('https://laoniu.blog.csdn.net/')
print(response.read().decode('utf-8'))

這樣就可以抓取csdn我的主頁的html文檔

我們使用爬蟲就是需要在網頁中提取我們需要的數據，接下來我們來學習抓取一下百度搜索頁的熱榜數據

4.2.如何解析網頁呢

使用lxml庫

lxml 是一種使用 Python 編寫的庫，可以迅速、靈活地處理 XML 和 HTML。

它支持 XML Path Language (XPath) 和 Extensible Stylesheet Language Transformation (XSLT)，並且實現瞭常見的 ElementTree API。

安裝

windows下安裝

#pip方式安裝
pip3 install lxml
 
#wheel方式安裝 
#下載對應系統版本的wheel文件:http://www.lfd.uci.edu/~gohlke/pythonlibs/#lxml
pip3 install lxml-4.2.1-cp36-cp36m-win_amd64.whl

linux下安裝

yum install -y epel-release libxslt-devel libxml2-devel openssl-devel
 
pip3 install lxml

環境/版本一覽：

  • 開發工具：PyCharm 2020.2.3
  • python：3.8.5

4.3.編寫代碼

import urllib.request
from lxml import etree
 
# 獲取百度熱榜
url = "https://www.baidu.com/s?ie=UTF-8&wd=1"
# 我們在請求頭加入User-Agent參數，這樣可以讓服務端認為此次請求是用戶通過瀏覽器發起的正常請求，防止被識別為爬蟲程序請求導致直接拒絕訪問
req = urllib.request.Request(url=url, headers={
 'User-Agent': 'User-Agent: Mozilla/5.0 (Macintosh; Intel Mac OS X 11_1_0) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/87.0.4280.88 Safari/537.36'
})
# 發起請求
html_resp = urllib.request.urlopen(req).read().decode("utf-8")

到這裡我們可以順利獲取百度的搜索頁面html文檔

我門需要看一下熱搜排行榜的標簽元素在哪裡

找到第一條  右鍵復制 XPath   (後邊說XPath是什麼)

我們需要瞭解並使用XPath，XPath即為XML路徑語言（XML Path Language），它是一種用來確定XML文檔中某部分位置的語言。

復制的內容結果是： //*[@id="con-ar"]/div[2]/div/div/table/tbody[1]/tr[1]

這xPath字符串 表示現在在html定位的位置就是熱點新聞第一行內容

5.XPath常用規則

表達式 描述
nodename 選取此節點的所有子節點
/ 從當前節點選取直接子節點
// 從當前節點選取子孫節點
. 選取當前節點
.. 選取當前節點的父節點
@ 選取屬性
* 通配符，選擇所有元素節點與元素名
@* 選取所有屬性
[@attrib] 選取具有給定屬性的所有元素
[@attrib=’value’] 選取給定屬性具有給定值的所有元素
[tag] 選取所有具有指定元素的直接子節點
[tag=’text’] 選取所有具有指定元素並且文本內容是text節點

 

6.繼續分析

那麼我們要獲取所有的熱點新聞該怎麼寫呢

繼續看網頁

可以看到所有的熱榜分別在三個<tbody>之下

修改一下剛才復制的XPath

//*[@id="con-ar"]/div[2]/div/div/table/tbody[1]/tr[1] 改為  //*[@id="con-ar"]/div[2]/div/div/table/tbody/tr

這樣XPath就會定位到這三個tbody下的所有tr元素內容

我們繼續看一下tr是不是我們想要的內容，展開一個tr看看

淦～還有一堆,,

這該怎麼辦。我們需要拿到數據是 【標題】 【訪問鏈接】 【熱度】，現在手裡已經拿到的是所有的tr元素

緊接著從tr下手 直接 拿到下面所有<a>標簽的標題與超鏈接

標題的XPath: */a/@title 超鏈接的XPath: */a/@href

*表示匹配tr下的所有元素  /a是在*找到第一個a標簽  @是屬性選擇器 title和href就是要選擇的素屬性瞭

還剩下個熱度，let‘s me 繼續操作，直接選擇tr下的第二個td  XPath: td[2]

分析完畢，把完整的代碼貼出來

import urllib.request
from lxml import etree
 
# 獲取百度熱榜
 
url = "https://www.baidu.com/s?ie=UTF-8&wd=1"
# 我們在請求頭加入User-Agent參數，這樣可以讓服務端認為此次請求是用戶通過瀏覽器發起的正常請求，防止被識別為爬蟲程序請求導致直接拒絕訪問
req = urllib.request.Request(url=url, headers={
  'User-Agent': 'User-Agent: Mozilla/5.0 (Macintosh; Intel Mac OS X 11_1_0) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/87.0.4280.88 Safari/537.36'
 })
html_resp = urllib.request.urlopen(req).read().decode("utf-8")
html = etree.HTML(html_resp)#初始化生成一個XPath解析對象
_list = html.xpath("//*[@id='con-ar']/div[2]/div/div/table/tbody/tr")
print(f"article count : {len(_list)}")
 
for tr in _list:
 title = tr.xpath("*/a/@title")[0]
 href = tr.xpath("*/a/@href")[0]
 hot = tr.xpath("string(td[2])").strip()
 print(f"{hot}\t{title}\thttps://www.baidu.com{href}")

點擊運行，程序啪就跑起來瞭，很快啊，數據全都過來瞭，我全都接住瞭，我笑瞭一下。

到此就完成瞭lxml xpath的基本使用，更詳細的xpath教程請看 ：https://www.w3school.com.cn/xpath/index.asp

爬蟲三要素，抓取數據完成瞭，剩餘的分析與存儲就先不說瞭

總結

到此這篇關於Python爬蟲新手入門之初學lxml庫的文章就介紹到這瞭,更多相關Python爬蟲入門之lxml庫內容請搜索WalkonNet以前的文章或繼續瀏覽下面的相關文章希望大傢以後多多支持WalkonNet！

推薦閱讀：