python爬虫之数据提取Xpath(爬取起点中文网案例)

黎明之道 等级 85 0 0

Xpath

详细的Xpath介绍手册——> https://www.w3school.com.cn/xpath/index.asp

在这里插入图片描述
1.安装xpath.
pip install lxml

2.安装谷歌XPath插件
下载:chrome_Xpath_v2.0.2.crx 格式的文件。拖进插件即可。
如果安装不成功,将后缀名改成.rar,解压以后再拖拽进去就可以使用了。

效果图(减头所指的地方就可以打开XPath):
在这里插入图片描述

在这里插入图片描述

3.介绍
Xpath是在一门在XML文档种查找信息的语言。XPath可用来在XML文档种对元素和属性进行遍历,XPath是W3C XSLT标准的主要元素,并且XQuery和XPointer都构建于XPath表达之上。

4.节点的关系

  • 父(Parent)
  • 子(Children)
  • 同胞(Sibling)
  • 先辈(Ancestor)
  • 后代(Descendant)

一、选取节点

1.常用的路径表达式
在这里插入图片描述
2.通配符
XPath通配符可用来选取未知的XML元素:
在这里插入图片描述
3.选取若干路径
在这里插入图片描述
4.谓语
谓语被嵌在方括号内,用来查找某个特定的节点或包含某个指定的值的节点。
在这里插入图片描述
5.XPath运算符
在这里插入图片描述

二、案例

爬取起点中文网,排行里面小说的名称和作者。

首先要明确要什么:
在这里插入图片描述
再用我们下载的谷歌XPath,找到相应的位置:
在这里插入图片描述

在这里插入图片描述
再找到作者的位置:
在这里插入图片描述
这样就提取到了我们想要的东西。

代码:

先导入库和获取页面:

from lxml import etree
import requests
from fake_useragent import UserAgent
url = "https://www.qidian.com/rank/yuepiao?chn=-1"
headers = {"User-Agent":UserAgent().random}

response = requests.get(url,headers)

e = etree.HTML(response.text) 

利用XPath获取标题:

names = e.xpath('//h4/a/text()')
names 

在这里插入图片描述
获取作者信息:

authors = e.xpath('//p[@class="author"]/a[1]/text()')
authors 

在这里插入图片描述
将书名和作者一一对应:

a = []
for name in zip(names,authors):
    a.append(name)

a 

在这里插入图片描述

预览图
收藏
评论区