XPath数据提取
XML介绍
XML称为可扩展标记语言，XML是互联网数据传输的重要工具，它可以跨越互联网任何的平台，不受编程语言和操作系统的限制，可以说它是一个拥有互联网最高级别通行证的数据携带者。非常类似HTML。
HTML 和 XML的区别在于HTML主要用来显示数据，XML是用来传输数据。
XML都是标签闭合的。例如： … 成对出现。
冰与火之歌
乔治 马丁
2005
365.00
哈利波特与死亡圣器
J K. 罗琳
2005
48.98
Python编程-从入门到放弃
挖掘机小王子
2048
99.00
Python编程-从看懂到看开
尼古拉斯-赵四
2003
39.95
在上面的xml语法中存在父子，先辈等关系。
XPath介绍
XPath (XML Path Language) 是一门在 XML 文档中查找信息的语言，可用来在 XML/HTML 文档中对元素和属性进行遍历，并提取相应元素。
也是一种数据提取方式，只不过针对的是HTML/XML数据，因为爬虫主要和HTML页面打交道。
XPath匹配规则
下表是XPath常用的规则：
lxml库
lxml 是一个Python第三方模块。主要的功能是如何解析和提取 HTML/XML 数据。
lxml和正则类似，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。
失败的话指定下载源用 pip install lxml -i https://pypi.douban.com/simple 豆瓣源
再安装 parsel 时会自动安装 lxml，这里就不需要再次安装了。
使用lxml模块
初始化生成一个XPath解析对象，同时可以自动补全残缺的HTML标签。传入网页源码。
from lxml import etree
string = """
Python编程-从看懂到看开
Python编程
2003
39.95
"""
# 再解析之前必须先转化一下
html = etree.HTML(string)
# 返回结果是列表
result = html.xpath("//book[contains(@cover，'paper')]/title/text()")
result = html.xpath("//book[4]/title/text()")
print(result)
因为 parsel 对 lxml 进行了， 所以可以直接再 parsel 中无缝切换使用 xpath 。
使用XPath选取指定内容。括号里面书写XPath语法规则。返回列表。
# -*- coding: utf-8 -*-
import requests
import parsel
headers = {
'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/77.0.3865.90 Safari/537.36'
}
response = requests.get('https://maoyan.com/board/4?offset=0', headers=headers)
html = response.text
# %% 选择任意节点
sel = parsel.Selector(html)
# 提取 p 标签
ps = sel.xpath('//p')
for p in ps:
print(p.get())案例：XPath提取猫眼电影
'''
猫眼电影:
https://maoyan.com/board/4?offset=20
函数式:
1. 获取(请求)一页的函数
2. 定义解析函数(解析一页)
3. 写入文件函数
4. 循环函数
5. python学习交流群：695185429
'''
import json
import requests
from lxml import etree
# 获取响应
def getOnePage(url):
'''获取一页的响应的函数'''
response = requests.get(url)
return response.text
# 解析响应 --> 结果
def parseOnePage(text):
# 初始化解析
html = etree.HTML(text)
# 里面有所有的数据 先选择上一层 这一层里面包含所有数据 然后循环遍历
data = html.xpath('//dl[@class="board-wrapper"]')
# 遍历提取所有的元素
for dat in data:
print(dat)
# 继续选取
# 标题
title = dat.xpath('.//div//a/text()')
# 主演
star = dat.xpath('.//p[@class="star"]/text()')
# 时间
releasetime = dat.xpath('//p[@class="releasetime"]/text()')
for tit， sta， rel in zip(title， star， releasetime):
# 在函数里面遇到return就终止
# 生成器
yield {
'电影名字': tit，
'主演': sta.strip()，
'上映时间': rel
}
def save2File(data):
# with open('maoyan66.txt'， 'a'， encoding='utf-8') as fp:
# fp.write(data+'\n')
with open('maoyan66.txt'， 'a'， encoding='utf-8') as fp:
fp.write(json.dumps(data， ensure_ascii=False)+'\n')
if __name__ == "__main__":
for page in range(10):
# 一页网址
url = f'https://maoyan.com/board/4?offset={page*10}'
# 调用
r = getOnePage(url)
# 解析数据 返回生成器
result = parseOnePage(r)
for res in result:
# with open('maoyan.txt'，'a'，encoding='utf-8') as fp:
# # 打印到文件
# print(str(res)， file=fp)
save2File(str(res))
