我们已经可以从网上爬取数据了,现在我们来看看如何对数据解析
文章目录
- 1. xpath 的介绍
- 2. 爬取起点小说网
- 优点:
- 安装lxml库
- XML的树形结构:
- 选取节点的表达式举例:
- 在浏览器中获取书名和作者测试
- 使用xpath获取起点小说网的数据
1. xpath 的介绍
xpath是一门在XML文档中查找信息的语言
优点:
- 可以在xml中找信息
- 支持HTML的查找
- 可以通过元素和属性进行导航
但是Xpath需要依赖xml的库,所以我们需要去安装lxml的库。
安装lxml库
我们先要安装lxml的库,直接在pycharm里安装即可:
XML的树形结构:
根元素-元素-属性-文本
使用XPath选取节点:
- nodename: 选取此节点的所有节点
- /从根节点选择
- // 从匹配选择的当前节点选择文档中的节点,而不考虑他们的位置
- . 选择当前节点
- … 选择当前节点的父节点(此处是两个点,浏览器默认显示3个…)
- /text() 获取当前路径下的文本内容
- /@xxx 提取当前路径下标签的属性值
选取节点的表达式举例:
2. 爬取起点小说网
在浏览器中获取书名和作者测试
在谷歌里安装一个xpath的插件:
在html中查找book-mid-info:
我们要获取小说的名称:
也就是 //div[@class=‘book-mid-info’]/h4/a/txt()
再加一个获取作者:
使用xpath获取起点小说网的数据
# 作者:互联网老辛# 开发时间:2021/4/8/0008 8:24import requests from lxml import etree url="https://www.qidian.com/rank/yuepiao"headers={'user-agent':'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/70.0.3538.25 Safari/537.36 Core/1.70.3861.400 QQBrowser/10.7.4313.400'}#发送请求resp=requests.get(url,headers)e=etree.HTML(resp.text) #类型转换,把str转变为class 'lxml.etree._ELementprint(type(e))names=e.xpath('//div[@class="book-mid-info"]/h4/a/text()')authors=e.xpath('//p[@class="author"]/a[1]/text()')print(names)print(authors)#名称和作者对应for name,authors in zip(names,authors): print(name,":",authors)