Python爬虫（入门+进阶）学习笔记 1-4 使用Xpath解析豆瓣短评

本节课程主要介绍解析神器Xpath是什么、Xpath如何安装及使用，以及使用实际的例子讲解Xpath如何解析豆瓣短评的网页并获取数据。解析神器Xpath
Xpath的使用
实战环节

解析神器Xpath：

1. 什么是XpathXPath即为XML路径语言（XML Path Language），它是一种用来确定XML文档中某部分位置的语言。XPath基于XML的树状结构，提供在数据结构树中找寻节点的能力。起初XPath的提出的初衷是将其作为一个通用的、介于XPointer与XSL间的语法模型。但是XPath很快的被开发者采用来当作小型查询语言。可以阅读该文档了解更多关于Xpath的知识。2. Xpath解析网页的流程首先通过Requests库获取网页数据
通过网页解析，得到想要的数据或者新的链接
网页解析可以通过Xpath或者其它解析工具进行，Xpath在是一个非常好用的网页解析工具 
3. 常用的网页解析 
 正则表达式使用比较困难，学习成本较高
BeautifulSoup性能较慢，相对于Xpath较难，在某些特定场景下有用
Xpath使用简单，速度快（Xpath是lxml里面的一种），是抓取数据最好的选择
4. Xpath的安装        pip install lxml

Xpath的使用：

1. 使用Xpath解析网页数据的步骤从lxml导入etree
解析数据，返回xml结构

使用.xpath()寻找和定位数据
from lxml import etree

html ='''#省略'''#html数据，使用requests获取

s = etree.HTML(html)#解析html数据

print(s.xpath())#使用.xpath()
2. 获取Xpath的方法
第一种方法：从浏览器直接复制
首先在浏览器上定位到需要爬取的数据
右键，点击“检查”，在“Elements”下找到定位到所需数据
右键——Copy——Copy Xpath，即可完成Xpath的复制
示例：
#从浏览器直接复制Xpath
import requests
from lxml import etree

url = 'https://book.douban.com/subject/1084336/comments/'
r = requests.get(url).text

s = etree.HTML(r)
print(s.xpath('//*[@id=“comments”]/ul/li[1]/div[2]/p/text()'))第二种方法：手写Xpath
获取文本内容用 text()
获取注释用 comment()
获取其它任何属性用@xx，如： 
href 
src 
value
想要获取某个标签下所有的文本（包括子标签下的文本），使用string 
如”< p>123< a>来获取我啊< /a>< /p>”，这边如果想要得到的文本为”123来获取我啊”，则需要使用string
starts-with 匹配字符串前面相等
contains 匹配任何位置相等
示例：
#手写Xpath
import requests
from lxml import etree

url = 'https://book.douban.com/subject/1084336/comments/'
r = requests.get(url).text

s = etree.HTML(r)
print(s.xpath('//div[@class="comment"]/p/text()')[0])

实战环节

使用Xpath爬取豆瓣图书《小王子》短评网页使用从浏览器复制Xpath的方法获取同一网页下不同短评的Xpath，通过对比发现其规律
对比从浏览器复制Xpath的方法跟手写Xpath的方法的不同点已经两种方法各自的应用场景

#!/usr/bin/env python3
# -*- coding: utf-8 -*-
"""
Created on Sat Mar 17 11:54:48 2018

@author: Jackie
"""

import requests  
from lxml import etree  
  
url = 'https://book.douban.com/subject/1084336/comments/'  
r = requests.get(url).text  
  
s = etree.HTML(r)  
#从浏览器复制第一条评论的Xpath  
print(s.xpath('//*[@id="comments"]/ul/li[1]/div[2]/p/text()'))  
#从浏览器复制第二条评论的Xpath  
print(s.xpath('//*[@id="comments"]/ul/li[2]/div[2]/p/text()'))  
#从浏览器复制第三条评论的Xpath  
print(s.xpath('//*[@id="comments"]/ul/li[3]/div[2]/p/text()')) 
  
#掌握规律，删除li[]的括号，获取全部短评  
print(s.xpath('//*[@id="comments"]/ul/li/div[2]/p/text()'))  
  
#手写Xpath获取全部短评  
print(s.xpath('//div[@class="comment"]/p/text()'))  

通过对比可以发现从浏览器复制的Xpath中，“li[]”括号中的数字代表对应的第几条评论，直接删除括号，即可获取全部短评
对于结构清晰的html网页，可以直接手写Xpath，更加简洁且高效
对于结构复杂的html网页，可以通过浏览器复制的方式获取Xpath

课后练习：爬取小猪短租（深圳）页面的数据

首先使用浏览器打开小猪短租(深圳) 的页面，通过阻止JavaScript加载的方法确定网页的加载方式
可以发现，阻止JavaScript加载之后页面还是可以显示短租的标题、价格等数据
接下来便可以爬取这一部分可显示的数据，在此例子中，我们主要爬取单个页面中每条短租信息的标题、价格和经纬度

import requests
from lxml import etree
url = 'http://sz.xiaozhu.com/'
r = requests.get(url).text#使用requests获取数据
s = etree.HTML(r)#解析html数据
print(s.xpath('//*[@id="page_list"]/ul/li/div[2]/div/a/span/text()'))#打印短租标题
print(s.xpath('//*[@id="page_list"]/ul/li/div[2]/span[1]/i/text()'))#打印短租价格
print(s.xpath('//*[@id="page_list"]/ul/li/@latlng'))#打印短租经纬度

更详细过程可参考： python爬虫实践——零基础快速入门（四）爬取小猪租房信息
课后练习：虎扑
Copy Xpath可以看到虎扑的标题：/html/body/div[4]/div[1]/div[1]/div[2]/dl/dd[1]/a[1]
/html/body/div[4]/div[1]/div[1]/div[2]/dl/dd[1]/a[2]
/html/body/div[4]/div[1]/div[1]/div[2]/dl/dd[2]/a[1]所以猜测标题的Xpath为/html/body/div[4]/div[1]/div[1]/div[2]/dl/dd/a代码：#!/usr/bin/env python3
# -*- coding: utf-8 -*-
"""
Created on Tue Mar 27 17:37:45 2018

@author: Jackie
"""

import requests
from lxml import etree
import time

url3 = 'https://nba.hupu.com/'
data3 = requests.get(url3).text
h = etree.HTML(data3)
titles = h.xpath('/html/body/div[4]/div[1]/div[1]/div[2]/dl/dd/a/text()')

for title in titles:
print (title)结果：

补充知识

Xpath教程阅读Xpath教程，掌握Xpath的基本知识
Xpath的基本使用阅读爬虫入门到精通-网页的解析（xpath），参考Xpath的使用方法
阅读Python爬虫利器三之Xpath语法与lxml库的用法，了解更多Xpath的使用方法示例
正则表达式阅读Python正则表达式，了解正则表达式及其基本的语法
阅读爬虫入门到精通-网页的解析（正则），学习使用正则表达式匹配网页数据
BeautifulSoup阅读Beautiful Soup 中文教程，了解使用BeautifulSoup解析网页的方法
阅读Beautiful Soup 4.2.0 文档这篇BeautifulSoup的官方文档，了解其更加全面的用法