X-path爬取案例与selenuim模块

目录

• 爬取城市名称
• 爬取猪八戒数据并写入表格
• 爬取贴吧图片数据
• 自动化测试工具selenuim模块

 

爬取城市名称

思路

1.向网页发送请求并携带请求头User-Agent参数
2.生成一个xpath对象并研究标签规律
3.利用xpath选择所需数据
4.打印结果

完整代码

import requests
from lxml import etree

res = requests.get("https://www.aqistudy.cn/historydata/",
                   headers={
                       'User-Agent': "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/93.0.4577.82 Safari/537.36"
                   }
                   )
tree = etree.HTML(res.text)

# 先获取热门城市
hot_city_names = tree.xpath('//div[@class="hot"]/div[2]/ul/li/a/text()')

# 再获取其他城市
other_city_names = tree.xpath('//div[@class="all"]/div[2]/ul/div[2]/li/a/text()')

# 一次性查找所有的城市
all_city_names = tree.xpath(
    '//div[@class="hot"]/div[2]/ul/li/a/text() | //div[@class="all"]/div[2]/ul/div[2]/li/a/text()')
print(all_city_names)

总结

1.使用x-path选择器，开始时可以一层一层往下查找 无需跳跃
2.解析出来的结果肯定是一个列表
3.使用x-path的规律就在于先明确你需要查找的标签，之后往上多看几层具有一定特征的父标签，之后依次逐层查找即可

 

爬取猪八戒数据并写入表格

思路

1.朝网页发送get请求
2.生成xpath对象
3.研究标签规律，利用xpath模块筛选
4.先查找所有含有数据的div之后依次循环
5.利用解析器xpath筛选所需数据
6.导入openpyxl模块创建表格
7.定义表头以及写入数据最后保存文件

筛选数据详细步骤

# 公司名称
company_name = div.xpath('./div/div/a/div[1]/p/text()')

# 解决措施
if not company_name:
        continue

# 公司地址
    address_info = div.xpath('./div/div/a/div[1]/div/span/text()')

# 订单价格
    order_price = div.xpath('./div/div/a[2]/div[2]/div[1]/span[1]/text()')

 # 历史成交
    order_num = div.xpath('./div/div/a[2]/div[2]/div[1]/span[2]/text()')

# 订单描述
    order_desc = div.xpath('./div/div/a[2]/div[2]/div[2]/p/text()')

 

 完整代码

import requests
from lxml import etree
from openpyxl import Workbook

wb = Workbook()
wb1 = wb.create_sheet('订单数据', 0)
wb1.append(['公司名称', '公司地址', '订单价格', '历史成交', '订单描述'])

# 1.发送请求获取页面数据
res = requests.get('https://shanghai.zbj.com/search/f/',
                   params={'kw': 'app'}
                   )
# 2.生成xpath对象
tree = etree.HTML(res.text)
# 3.研究标签规律 书写xpath
div_list = tree.xpath('//div[@class="new-service-wrap"]/div')
for div in div_list:
    # 公司名称
    company_name = div.xpath('./div/div/a/div[1]/p/text()')
    if not company_name:
        continue
    # print(company_name[-1].strip('\n'))
    # 公司地址
    address_info = div.xpath('./div/div/a/div[1]/div/span/text()')
    # print(address_info[0])
    # 订单价格
    order_price = div.xpath('./div/div/a[2]/div[2]/div[1]/span[1]/text()')
    # print(order_price[0])
    # 历史成交
    order_num = div.xpath('./div/div/a[2]/div[2]/div[1]/span[2]/text()')
    # print(order_num[0])
    # 订单描述
    order_desc = div.xpath('./div/div/a[2]/div[2]/div[2]/p/text()')
    # print('app'.join(order_desc))

    wb1.append([company_name[-1].strip('\n'), address_info[0], order_price[0], order_num[0], 'app'.join(order_desc)])

wb.save(r'订单数据.xlsx')

 

爬取贴吧图片数据

 需求

贴吧名称是用户自己指定 不是固定的一个
在编写程序的时候可以先以固定的为例之后换成用户输入即可
所有的图片都需要自动保存到以贴吧名称命名的文件夹内
贴吧图片支持多页爬取

思路

1.向网页发送get请求
2.生成一个xpath对象
3.查找所有帖子的链接地址
4.循环获取每一个帖子链接 拼接成完整的地址 再发送请求
5.发送详情页请求获取页面数据
6.筛选图片链接地址
7.循环请求每个图片地址并保存图片

如何实现用户自己想搜索的关键字

研究下来，发现核心在于kw参数
# https://tieba.baidu.com/f?ie=utf-8&kw=%E4%B8%83%E9%BE%99%E7%8F%A0&fr=search
# https://tieba.baidu.com/f?ie=utf-8&kw=%E7%BE%8E%E5%A5%B3&fr=search
# https://tieba.baidu.com/f?ie=utf-8&kw=%E8%BE%A3%E5%A6%B9&fr=search

 

 详细步骤

1.查找所有帖子的链接

a_link_list = tree.xpath('//a[@class="j_th_tit "]/@href')

 

2. 循环获取每一个帖子链接，拼接成完整的地址，再发送请求

base_url = 'https://tieba.baidu.com'
for link in a_link_list:
    full_link = base_url + link
res1 = requests.get(full_link)
    tree1 = etree.HTML(res1.text)

3.筛选图片链接地址

img_src_list = tree1.xpath('//img[@class="BDE_Image"]/@src')

 

 

 4.循环请求每个图片地址，并保存图片，完整代码如下：

import requests
from lxml import etree
import os
import time

tieba_name = input('请输入你想要爬取的贴吧名称>>>:').strip()

if not os.path.exists(tieba_name):
    os.mkdir(tieba_name)

res = requests.get('https://tieba.baidu.com/f',
                   params={'kw': tieba_name}
                   )
tree = etree.HTML(res.text)

a_link_list = tree.xpath('//a[@class="j_th_tit "]/@href')
base_url = 'https://tieba.baidu.com'
for link in a_link_list:
    full_link = base_url + link
    # 5.发送详情页请求获取页面数据
    res1 = requests.get(full_link)
    tree1 = etree.HTML(res1.text)
 
    img_src_list = tree1.xpath('//img[@class="BDE_Image"]/@src')
    for img_src in img_src_list:
        res2 = requests.get(img_src)
        file_path = os.path.join(tieba_name,img_src[-15:])
        with open(file_path,'wb') as f:
            f.write(res2.content)
    time.sleep(1)

5.多页操作

研究发现在pn参数上
# https://tieba.baidu.com/f?kw=%E4%B8%83%E9%BE%99%E7%8F%A0&ie=utf-8&pn=50
# https://tieba.baidu.com/f?kw=%E4%B8%83%E9%BE%99%E7%8F%A0&ie=utf-8&pn=100
# https://tieba.baidu.com/f?kw=%E4%B8%83%E9%BE%99%E7%8F%A0&ie=utf-8&pn=150

 完整代码

import requests
from lxml import etree
import os
import time

name = input('请输入想要爬取的贴吧名>>>:').strip()
if not os.path.exists(name):
    os.mkdir(name)
page_str = input('请输入你要爬取的代码页数>>>:').strip()
page = (int(page_str) - 1) * 50
res = requests.get('https://tieba.baidu.com/f',
                   params={'kw': name,
                           'pn': page}
                   )  # 通过额外参数控制贴吧和页数
# print(res.text)
tree = etree.HTML(res.text)
second_link_list = tree.xpath('//a[@class="j_th_tit "]/@href')  # 筛选出所有帖子的链接部分
base_url = 'https://tieba.baidu.com'
for link in second_link_list:
    url = base_url + link  # 拿到一个个帖子的链接之后拼接获取完整网址
    res1 = requests.get(url)  # 访问一个个帖子的网址
    tree1 = etree.HTML(res1.text)
    img_link_list = tree1.xpath('//img[@class="BDE_Image"]/@src')  # 筛选出帖子里图片的链接部分
    for img_link in img_link_list:
        res2 = requests.get(img_link)  # 访问一个个图片的网址
        file_path = os.path.join(name, img_link[-10:])  # 起名从后往前拿保证拿到.jpg
        with open(file_path, 'wb') as f:
            f.write(res2.content)  # 写入保存
            time.sleep(1)

 

 selenium模块

原本仅仅是测试领域里面的一款测试工具 
但是由于其可以操作浏览器所以逐步也被应用到了爬虫领域
可以避免很多防爬措施但是由于需要操控浏览器所以效率上偏慢

模块下载

 

 驱动下载

该模块是用来操作浏览器的 需要相应的驱动软件

 

 

 注意事项

# 1.有时候下载了驱动可能也无法操作浏览器
        原因:可能是因为驱动版本不对
        措施:重新下一个版本的驱动
# 2.不同的浏览器需要下载不同的驱动文件

驱动文件的存放位置

存放到python解释器scripts文件夹内即可

 

 验证

完整代码

from selenium import webdriver
import time

# 指定操作的浏览器驱动
bro = webdriver.Chrome()
# 控制浏览器访问B站网站数据
bro.get("https://www.bilibili.com/")

# 关闭浏览器窗口
time.sleep(3)   # 设置延迟
bro.close()

 

 基本操作

1、find_element_by_id   根据id找
# div_tag = bro.find_element_by_id('s-top-left')
2、find_element_by_link_text     根据链接名字找到控件（a标签的文字）
# a_tag = bro.find_element_by_link_text("新闻")
3、find_element_by_partial_link_text   根据链接名字找到控件（a标签的文字）模糊查询
4、find_element_by_tag_name       根据标签名
5、find_element_by_class_name     根据类名
6、find_element_by_name           根据属性名
7、find_element_by_css_selector   根据css选择器
8、find_element_by_xpath          根据xpath选择

结论

find_element与find_elements的区别就在于前者只会找到符合条件的第一个，后者是所有
两者的关系相当于bs4模块里面的find与find_all

小案例

from selenium import webdriver
from selenium.webdriver.common.keys import Keys  # 键盘按键操作
import time

bro = webdriver.Chrome()
# 打开淘宝
bro.get('https://www.taobao.com/')
# 查找搜索框标签
input_tag = bro.find_element_by_id('q')
# 输入文本内容
input_tag.send_keys('iphone手机')
time.sleep(1)
# 点击搜索
input_tag.send_keys(Keys.ENTER)
time.sleep(5)
# 关闭浏览器
bro.close()