python数据解析——xpath爬取文字和图片

xpath解析：最常用且最便捷高效的一种解析方式，通用性。

• xpath解析原理：
  • 1.实例化一个etree的对象，且需要将被解析的页面源码数据加载到该对象中。
  • 2.调用etree对象中的xpath方法结合着xpath表达式实现标签的定位和内容的捕获。
• 环境的安装：
  • pip install lxml
• 如何实例化一个etree对象：from lxml import etree
  • 1.将本地的html文档中的源码数据加载到etree对象中：
    etree.parse(filePath)
  • 2.可以将从互联网上获取的源码数据加载到该对象中
    etree.HTML(‘page_text’)
  • xpath(‘xpath表达式’)
• xpath表达式:
  • /:表示的是从根节点开始定位。表示的是一个层级。
  • //:表示的是多个层级。可以表示从任意位置开始定位。
  • 属性定位：//div[@class=‘song’] tag[@attrName=“attrValue”]
  • 索引定位：索引从1开始的。
  • 取文本：
    • /text() 获取的是标签中直系的文本内容
    • //text() 标签中非直系的文本内容（所有的文本内容）
  • 取属性：
    /@attrName ==>img/src

需求一：爬取58二手房信息 https://bj.58.com/ershoufang/

#!/usr/bin/env python 
# -*- coding:utf-8 -*-
import requests
from lxml import html
etree = html.etree
#需求：爬取58二手房中的房源信息
if __name__ == "__main__":
    headers = {
        'User-Agent':'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_12_0) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/73.0.3683.103 Safari/537.36'
    }
    #爬取到页面源码数据
    url = 'https://bj.58.com/ershoufang/'
    page_text = requests.get(url=url,headers=headers).text
    #数据解析
    tree = etree.HTML(page_text)
    #存储的就是li标签对象
    li_list = tree.xpath('//div[@class="property"]/a')
    fp = open('58.txt','w',encoding='utf-8')
    for li in li_list:
        #局部解析
        title = li.xpath('./div[2]//h3/text()')[0] + li.xpath('./div[2]/div[2]/p/span/text()')[0] + "万"
        print(title)
        fp.write(title+'\n')

需求二：爬取4k网图片 http://pic.netbian.com/4kmingxing/

#!/usr/bin/env python 
# -*- coding:utf-8 -*-
#需求：解析下载图片数据 http://pic.netbian.com/4kmeinv/
import requests
from lxml import html
etree = html.etree
import os
if __name__ == "__main__":
    headers = {
        'User-Agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_12_0) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/73.0.3683.103 Safari/537.36'
    }

    # 创建一个文件夹
    if not os.path.exists('./picLibs'):
        os.mkdir('./picLibs')

    url = 'http://pic.netbian.com/4kmingxing/index_%d.html'

    for pageNum in range(1,8):
        #对应页码的url
        new_url = format(url%pageNum)

        response = requests.get(url=new_url,headers=headers)
        page_text = response.text

        #数据解析：src的属性值  alt属性
        tree = etree.HTML(page_text)
        li_list = tree.xpath('//div[@class="slist"]/ul/li')

        for li in li_list:
            img_src = 'http://pic.netbian.com'+li.xpath('./a/img/@src')[0]
            img_name = li.xpath('./a/img/@alt')[0]+'.jpg'
            #通用处理中文乱码的解决方案
            img_name = img_name.encode('iso-8859-1').decode('gbk')

            # print(img_name,img_src)
            #请求图片进行持久化存储
            img_data = requests.get(url=img_src,headers=headers).content
            img_path = 'picLibs/'+img_name
            with open(img_path,'wb') as fp:
                fp.write(img_data)
                print(img_name,'下载成功！！！')