五、XML与xpath--------------爬取美女图片

 

除了正则表达式处理HTML文档,我们还可以用XPath,先将 HTML文件 转换成 XML文档,然后用 XPath 查找 HTML 节点或元素。


 先用一个小实例开头吧(爬取贴吧每个帖子的图片)

import requests
from lxml import etree


class Myspider():
    def __init__(self):
        self.post_bar = input('请输入贴吧名:')
        self.num = 1

    def postBar(self):
        '''
        获取贴吧帖子的url
        :return:
        '''
        base_url = 'https://tieba.baidu.com/'
        url = base_url + 'f?' + 'kw=' + self.post_bar
        response = requests.get(url)
        response.encoding = 'utf8'
        # 解析html 为 HTML 文档,
        html = etree.HTML(response.text)
        # 抓取当前页面的所有帖子的url的后半部分,也就是帖子编号
        tieName = html.xpath('//div[@class ="threadlist_lz clearfix"]/div/a/@href')
        for tieUrl in tieName:
            url = base_url + tieUrl
            self.imgUrl(url)
    def imgUrl(self,url):
        response = requests.get(url)
        response.encoding = 'utf8'
        html = etree.HTML(response.text)
        tieName = html.xpath('//img[@class="BDE_Image"]/@src')

        for tieUrl in tieName:
            self.loadImg(tieUrl)

    def loadImg(self,url):
        print(url)
        print('正在下载第%s张' % self.num)
        with open('images/' + str(self.num) + '.png', 'wb') as file:

            # 2. 获取图片里的内容
            images = requests.get(url)

            # 3. 调用文件对象write() 方法,将page_html的内容写入到文件里
            file.write(images.content)

        self.num +=1

if __name__ =='__main__':
    imgSpdier = Myspider()
    imgSpdier.postBar()

 

 

运行结果:

请输入贴吧名:美女
https://imgsa.baidu.com/forum/w%3D580%3Bcp%3Dtieba%2C10%2C768%3Bap%3D%C3%C0%C5%AE%B0%C9%2C90%2C776/sign=b664839c067b02080cc93fe952e291a3/22292df5e0fe99256453c26938a85edf8db171a8.jpg
正在下载第1张
https://imgsa.baidu.com/forum/w%3D580%3Bcp%3Dtieba%2C10%2C768%3Bap%3D%C3%C0%C5%AE%B0%C9%2C90%2C776/sign=17e5260777ec54e741ec1a168903f820/b364034f78f0f7369919e7380655b319ebc41327.jpg
正在下载第2张
https://imgsa.baidu.com/forum/w%3D580%3Bcp%3Dtieba%2C10%2C768%3Bap%3D%C3%C0%C5%AE%B0%C9%2C90%2C776/sign=e4394fc1ab86c91708035231f90613bf/b8ec08fa513d2697281da36459fbb2fb4316d839.jpg
正在下载第3张
https://imgsa.baidu.com/forum/w%3D580%3Bcp%3Dtieba%2C10%2C768%3Bap%3D%C3%C0%C5%AE%B0%C9%2C90%2C776/sign=852774f1164c510faec4e2125062465d/873df8dcd100baa1cf72ed824b10b912c8fc2ea8.jp

打开存储图片的文件夹:

一、什么是XML? 

XML 指可扩展标记语言(eXtensible Markup Language)。

XML 被设计用来传输和存储数据,而非显示数据。

  XML 是一种标记语言,很类似 HTML


 

XML 和 HTML 的区别

数据格式描述设计目标
XML Extensible Markup Language (可扩展标记语言) 被设计为传输和存储数据,其焦点是数据的内容。
HTML HyperText Markup Language (超文本标记语言) 显示数据以及如何更好显示数据。
HTML DOM Document Object Model for HTML (文档对象模型) 通过 HTML DOM,可以访问所有的 HTML 元素,连同它们所包含的文本和属性。可以对其中的内容进行修改和删除,同时也可以创建新的元素。

 

XML文档示例

<bookstore> 

  <book category="cooking"> 
    <title lang="en">Everyday Italian</title>  
    <author>Giada De Laurentiis</author>  
    <year>2005</year>  
    <price>30.00</price> 
  </book>  

  <book category="children"> 
    <title lang="en">Harry Potter</title>  
    <author>J K. Rowling</author>  
    <year>2005</year>  
    <price>29.99</price> 
  </book>  

  <book category="web"> 
    <title lang="en">XQuery Kick Start</title>  
    <author>James McGovern</author>  
    <author>Per Bothner</author>  
    <author>Kurt Cagle</author>  
    <author>James Linn</author>  
    <author>Vaidyanathan Nagarajan</author>  
    <year>2003</year>  
    <price>49.99</price> 
  </book> 

  <book category="web" cover="paperback"> 
    <title lang="en">Learning XML</title>  
    <author>Erik T. Ray</author>  
    <year>2003</year>  
    <price>39.95</price> 
  </book> 

</bookstore>

 

XML的节点关系

1. 父(Parent)

每个元素以及属性都有一个父。

下面有的XML例子中,book 元素是 title、author、year 以及 price 元素的父。

2. 子(Children)

元素节点可有零个、一个或多个子。

在下面的例子中,title、author、year 以及 price 元素都是 book 元素的子。

3. 同胞(Sibling)

拥有相同的父的节点

在下面的例子中,title、author、year 以及 price 元素都是同胞。

4. 先辈(Ancestor)

某节点的父、父的父,等等。

在下面的例子中,title 元素的先辈是 book 元素和 bookstore 元素。

5. 后代(Descendant)

某个节点的子,子的子,等等。

在下面的例子中,bookstore 的后代是 book、title、author、year 以及 price 元素。

<bookstore>

<book>
  <title>Harry Potter</title>
  <author>J K. Rowling</author>
  <year>2005</year>
  <price>29.99</price>
</book>

</bookstore>

 


 

二、什么是XPath?

XPath (XML Path Language) 是一门在 XML 文档中查找信息的语言,可用来在 XML 文档中对元素和属性进行遍历。

以下是XPath的语法内容,在运用到Python抓取时要先转换为xml。

XPath 使用路径表达式来选取 XML 文档中的节点或者节点集。这些路径表达式和我们在常规的电脑文件系统中看到的表达式非常相似。

下面列出了最常用的路径表达式:

表达式描述
nodename 选取此节点的所有子节点。
/ 从根节点选取。
// 从匹配选择的当前节点选择文档中的节点,而不考虑它们的位置。
. 选取当前节点。
.. 选取当前节点的父节点。
@ 选取属性。

 

路径表达式结果
/bookstore/book[1] 选取属于 bookstore 子元素的第一个 book 元素。
/bookstore/book[last()] 选取属于 bookstore 子元素的最后一个 book 元素。
/bookstore/book[last()-1] 选取属于 bookstore 子元素的倒数第二个 book 元素。
/bookstore/book[position()<3] 选取最前面的两个属于 bookstore 元素的子元素的 book 元素。
//title[@lang] 选取所有拥有名为 lang 的属性的 title 元素。
//title[@lang=’eng’] 选取所有 title 元素,且这些元素拥有值为 eng 的 lang 属性。
/bookstore/book[price>35.00] 选取 bookstore 元素的所有 book 元素,且其中的 price 元素的值须大于 35.00。
/bookstore/book[price>35.00]/title 选取 bookstore 元素中的 book 元素的所有 title 元素,且其中的 price 元素的值须大于 35.00。

 

三、lxml库

lxml 是 一个HTML/XML的解析器,主要的功能是如何解析和提取 HTML/XML 数据。

lxml和正则一样,也是用 C 实现的,是一款高性能的 Python HTML/XML 解析器,我们可以利用之前学习的XPath语法,来快速的定位特定元素以及节点信息。

lxml python 官方文档:http://lxml.de/index.html

需要安装C语言库,可使用 pip 安装:pip install lxml

from lxml import etree

text = '''
<div>
    <ul>
         <li class="item-0"><a href="link1.html">first item</a></li>
         <li class="item-1"><a href="link2.html">second item</a></li>
         <li class="item-inactive"><a href="link3.html">third item</a></li>
         <li class="item-1"><a href="link4.html">fourth item</a></li>
         <li class="item-0"><a href="link5.html">fifth item</a> # 注意,此处缺少一个 </li> 闭合标签
     </ul>
 </div>
'''

#利用etree.HTML,将字符串解析为HTML文档
html = etree.HTML(text)

# 按字符串序列化HTML文档
result = etree.tostring(html).decode('utf8')

#保存成文件,下面会用
with open('hello.html','w') as f:
  f.write(result)
print(result)

 

结果:

 

<html><body><div>
    <ul>
         <li class="item-0"><a href="link1.html">first item</a></li>
         <li class="item-1"><a href="link2.html">second item</a></li>
         <li class="item-inactive"><a href="link3.html">third item</a></li>
         <li class="item-1"><a href="link4.html">fourth item</a></li>
         <li class="item-0"><a href="link5.html">fifth item</a> # &#27880;&#24847;&#65292;&#27492;&#22788;&#32570;&#23569;&#19968;&#20010; </li> &#38381;&#21512;&#26631;&#31614;
     </ul>
 </div>
</body></html> 

lxml 可以自动修正 html 代码,例子里不仅补全了 li 标签,还添加了 body,html 标签。

文件读取:利用 etree.parse() 方法来读取文件。


 Xpath小实例

1. 获取所有的 <li> 标签

from lxml import etree

html = etree.parse('hello.html')
print(type(html))  # 显示etree.parse() 返回类型

result = html.xpath('//li')

print(result)  # 打印<li>标签的元素集合
print(len(result))
print(type(result))
print(type(result[0]))

 

结果:

<class 'lxml.etree._ElementTree'>
[<Element li at 0xc02e048>, <Element li at 0xc02e088>, <Element li at 0xc02e0c8>, <Element li at 0xc02e108>, <Element li at 0xc02e148>]
5
<class 'list'>
<class 'lxml.etree._Element'>

2. 继续获取<li> 标签的所有 class属性:result = html.xpath('//li/@class')            结果:['item-0', 'item-1', 'item-inactive', 'item-1', 'item-0']

3. 继续获取<li>标签下href 为 link1.html 的 <a> 标签:result = html.xpath('//li/a[@href="link1.html"]')   结果:[<Element a at 0x9bce088>]

 

 

 

 

 

posted on 2018-02-21 08:29  酱紫安  阅读(1820)  评论(4编辑  收藏  举报

导航