目录：

• Python网络爬虫（一）- 入门基础
• Python网络爬虫（二）- urllib爬虫案例
• Python网络爬虫（三）- 爬虫进阶
• Python网络爬虫（四）- XPath
• Python网络爬虫（五）- Requests和Beautiful Soup
• Python网络爬虫（六）- Scrapy框架
• Python网络爬虫（七）- 深度爬虫CrawlSpider
• Python网络爬虫（八） - 利用有道词典实现一个简单翻译程序

1.XPath

XPath 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。它使用路径表达式来选取 XML 文档中的节点或节点集。节点是通过沿着路径 (path) 或者步 (steps) 来选取的。
XPath语法

2.XPath在python中的应用

• xpath在Python中有一个第三方库，支持~ lxml
  注意：不要直接使用pip install lxml去安装~直接安装很容易安装一个空壳！
• 安装pip,主要参考博客：
  • python实践系列之（一）安装
  • python︱模块加载(pip安装)以及pycharm安装与报错解决方式
  • 在shell中输入import pip; print(pip.pep425tags.get_supported())可以获取到pip支持的文件名还有版本

• xpath(lxml)的安装

  • 通过wheel方式安装
  • 下载对应的wheel文件【和Python版本对应的】
  • 安装wheel插件 ：python2 -m pip install wheel
  • 根据下载的本地文件安装lxml：切换到whl文件所在的路径，进行安装
    python2 -m pip install lxml-3.8.0-cp27-none-win32.whlwheel名一定要跟pip支持的文件名和版本符合

• xpath的使用

  • 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

• Python-第三方库requests详解

• CSS 选择器参考手册

3.XPath中的text()和string()区别

1.XPath中的text()和string()本质区别

• text()是一个node test，而string()是一个函数，data()是一个函数且可以保留数据类型。此外，还有点号（.）表示当前节点。

2.XML例子：

<book><author>_知几</author></book>

用例举例
text()book/author/text()
string()book/author/string()
data()book/author/data()
.book/author/.

3.特殊用例

XML例子：

<book>

    <author>python<em>django</em>爬虫</author>

    <pricing>

        <price>20</price>

        <discount>0.8</discount>

    </pricing>

</book>

• text()
  • 经常在XPath表达式的最后看到text()，它仅仅返回所指元素的文本内容。

let $x := book/author/text()

return $x

返回的结果是python 爬虫，其中的django不属于author直接的节点内容。

• string()
  • string()函数会得到所指元素的所有节点文本内容，这些文本讲会被拼接成一个字符串。

let $x := book/author/string()

return $x

返回的内容是python django 爬虫。

• data()

  • 大多数时候，data()函数和string()函数通用，而且不建议经常使用data()函数，有数据表明，该函数会影响XPath的性能。

let $x := book/pricing/string()

return $x

返回的是200.8

let $x := book/pricing/data()

return $x

这样将返回分开的20和0.8，他们的类型并不是字符串而是>xs:anyAtomicType，于是就可以使用数学函数做一定操作。

let $x := book/pricing/price/data()

let $y := book/pricing/discount/data()

return $x*$y

比如上面这个例子，就只能使用data()，不能使用text()或string()，因为XPath不支持字符串做数学运算。

text()不是函数，XML结构的细微变化，可能会使得结果与预期不符，应该尽量少用，data()作为特殊用途的函数，可能会出现性能问题，如无特殊需要尽量不用，string()函数可以满足大部分的需求。

4.爬取诛仙前50章内容

主要分三个步骤：

（1）分析小说网址构成；

（2）获取网页，并分离出小说章节名和章节内容；

（3）写入txt文档。

代码操作：

# -*- coding:utf-8 -*-

import urllib,urllib2,re

from lxml import etree



#定义函数，爬取对应的数据

def getText(url,file_name):

    print('开始爬取第%s章的内容'%file_name)

    #伪装请求头

    my_headers = {

        'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/59.0.3071.104 Safari/537.36',

    }

    request = urllib2.Request(url,headers=my_headers)

    content = urllib2.urlopen(request).read()

    return content



#定义函数，保存爬取到的数据

def save(content):

    xml = etree.HTML(content)

    datas = xml.xpath('/html/body/div[@id="main"]/h1 | /html/body/div[@id="main"]/p')



    data = datas[2].xpath('string(.)').encode('utf-8')

    name = datas[0].xpath('string(.)')

    print name

    print('第%s章的内容爬取完成' % file_name)

    with open('txt/%s'%name+'.txt', 'wb') as f:

        f.write(data)





#定义主程序接口

if __name__ == '__main__':

    x=41277

    while x<x+50:

        url = 'http://www.ty2016.net/net/zhuxian/'+str(x)+'.html'

        x+=1

        file_name = str(x-41278)

        try:

            content = getText(url,file_name)

            save(content)

        except Exception,a:

            print a

从本地可以看到已经爬取到相关内容


注解：Xpath的获取

获取数据的Xpath