Python爬虫利器Xpath语法与lxml库的用法

选取节点

XPath 使用路径表达式在 XML 文档中选取节点。节点是通过沿着路径或者 step 来选取的。

下面列出了最有用的路径表达式：

实例

在下面的表格中，我们已列出了一些路径表达式以及表达式的结果：

谓语（Predicates）

谓语用来查找某个特定的节点或者包含某个指定的值的节点。

谓语被嵌在方括号中。

实例

在下面的表格中，我们列出了带有谓语的一些路径表达式，以及表达式的结果：

选取未知节点

XPath 通配符可用来选取未知的 XML 元素。

实例

在下面的表格中，我们列出了一些路径表达式，以及这些表达式的结果：

选取若干路径

通过在路径表达式中使用“|”运算符，您可以选取若干个路径。

实例

在下面的表格中，我们列出了一些路径表达式，以及这些表达式的结果：

XPath 运算符

下面列出了可用在 XPath 表达式中的运算符：

1.安装：

pip install lxml

2.下面的代码是爬取华夏二手车的某一条数据

import requests
from lxml import etree
import json
main_url = 'http://www.hx2car.com/details/162837726?position=011302'
headers = {
    "User-Agent": "Mozilla / 5.0(Windows NT 10.0;Win64;x64) AppleWebKit / 537.36(KHTML, likeGecko) Chrome / 71.0.3578.98Safari / 537.36",
}
res = requests.get(main_url, headers=headers)
res.encoding = 'utf-8'

root = etree.HTML(res.content)
title = []#标题
title_s = root.xpath('//div[@class="top_R"]/h2/text()')
title_e = root.xpath('//div[@class="top_R"]/h2/span/text()')
title.append(title_s[0].strip('\n , \xa0'))
title.append(title_e[0].strip('\n , \xa0'))
prices = root.xpath('//span[@class="cf60 price"]/span/text()')
prices = ''.join(e for e in prices[0].strip('\n , \xa0 \t') if e.strip('\n , \xa0 \t'))#价格
kilometre = root.xpath('//div[@class="car_info"]/ul/li[1]/p[1]/text()')#行驶公里
discharge = root.xpath('//div[@class="car_info"]/ul/li[2]/p[1]/text()')#排放/排量
purpose = root.xpath('//div[@class="car_info"]/ul/li[last()]/p[1]/text()')#用途
card_time = root.xpath('//div[@class="opt_box"]/div[1]/div[4]/text()')#上牌日期
color = root.xpath('//div[@class="opt_box"]/div[1]/div[5]/text()')#颜色
contacts = root.xpath('//div[@class="intro"]/div[2]/div[1]/a/text()')#联系人
address = root.xpath('//span[@id="IArea"]/text()')
address = address[0].strip('\n , \xa0')#地址
#获取汽车图片
picture = []
picture_srcs = root.xpath('//div[@id="detail_pic"]/p/img/@src')
for picture_src in picture_srcs:
    picture_name = picture_src.split("/")[-1]
    res = requests.get(picture_src, headers=headers)
    with open('./hx/'+picture_name,'bw') as f:
        f.write(res.content)
    picture.append(picture_name)
"""
进入门店
"""
go = root.xpath('//a[@class="intro_shops"]/@href')
res = requests.get(go[0], headers=headers)
res.encoding = 'utf-8'
root = etree.HTML(res.content)
m_title = root.xpath('//span[@class="title"]/text()')[0]#公司
photo = root.xpath('//span[@class="tel"]/text()')[0].strip('\n , \xa0 \t')#电话
data = {
    'title':title,
    'prices':prices,
    'kilometre':kilometre,
    'discharge':discharge,
    'purpose':purpose,
    'card_time':card_time,
    'color':color,
    'contacts':contacts,
    'address':address,
    'm_title':m_title,
    'photo':photo,
    'picture':picture
}
with open('./hx/data.json', 'w',encoding='utf-8') as f:
    f.write(json.dumps(data,ensure_ascii=False))