XPath提取猫眼电影

XML称为可扩展标记语言，XML是互联网数据传输的重要工具，它可以跨越互联网任何的平台，不受编程语言和操作系统的限制，可以说它是一个拥有互联网最高级别通行证的数据携带者。非常类似HTML。

HTML 和 XML的区别在于HTML主要用来显示数据，XML是用来传输数据。

XML都是标签闭合的。例如： … 成对出现。

<?xml version="1.0" encoding="utf-8"?>

<book category="奇幻">
<title lang="ch">冰与火之歌</title>
<author>乔治马丁</author>
<year>2005</year>
<price>365.00</price>
</book>

<book category="童话">
<title lang="ch">哈利波特与死亡圣器</title>
<author>J K. 罗琳</author>
<year>2005</year>
<price>48.98</price>
</book>

<book category="编程">
<title lang="ch">Python编程-从入门到放弃</title>
<author>挖掘机小王子</author>
<year>2048</year>
<price>99.00</price>
</book>

<book category="web" cover="paperback">
<title lang="en">Python编程-从看懂到看开</title>
<author>尼古拉斯-赵四</author>
<year>2003</year>
<price>39.95</price>
</book>

</bookstore>
在上面的xml语法中存在父子，先辈等关系。

XPath介绍

XPath (XML Path Language) 是一门在 XML 文档中查找信息的语言，可用来在 XML/HTML 文档中对元素和属性进行遍历，并提取相应元素。

也是一种数据提取方式，只不过针对的是HTML/XML数据，因为爬虫主要和HTML页面打交道。

XPath匹配规则

下表是XPath常用的规则：

lxml库

lxml 是一个Python第三方模块。主要的功能是如何解析和提取 HTML/XML 数据。

lxml和正则类似，是一款高性能的 Python HTML/XML 解析器，我们可以利用之前学习的XPath语法，来快速的定位特定元素以及节点信息。

安装：pip install lxml
在线安装不成功就采用离线安装。

再安装 parsel 时会自动安装 lxml，这里就不需要再次安装了。

使用lxml模块

初始化生成一个XPath解析对象，同时可以自动补全残缺的HTML标签。传入网页源码。

from lxml import etree

string = """
<book category="web" cover="paperback">
<title lang="en">Python编程-从看懂到看开</title>
<author>Python编程</author>
<year>2003</year>
<price>39.95</price>
</book>
"""

# 再解析之前必须先转化一下
html = etree.HTML(string)
# 返回结果是列表
result = html.xpath("//book[contains(@cover，‘paper‘)]/title/text()")
result = html.xpath("//book[4]/title/text()")

print(result)
使用XPath选取指定内容。括号里面书写XPath语法规则。返回列表。

# -*- coding: utf-8 -*-
import requests
import parsel

headers = {
‘User-Agent‘: ‘Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/77.0.3865.90 Safari/537.36‘
}

response = requests.get(‘https://maoyan.com/board/4?offset=0‘, headers=headers)
html = response.text

# %% 选择任意节点
sel = parsel.Selector(html)
# 提取 p 标签
ps = sel.xpath(‘//p‘)
for p in ps:
print(p.get())
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
案例：XPath提取猫眼电影
‘‘‘
猫眼电影:
https://maoyan.com/board/4?offset=20
函数式:
1. 获取(请求)一页的函数
2. 定义解析函数(解析一页)
3. 写入文件函数
4. 循环函数
5. python学习交流群：695185429
‘‘‘
import json
import requests
from lxml import etree

# 获取响应
def getOnePage(url):
‘‘‘获取一页的响应的函数‘‘‘

response = requests.get(url)

return response.text

# 解析响应 --> 结果
def parseOnePage(text):

# 初始化解析
html = etree.HTML(text)
# 里面有所有的数据先选择上一层这一层里面包含所有数据然后循环遍历
data = html.xpath(‘//dl[@class="board-wrapper"]‘)
# 遍历提取所有的元素
for dat in data:
print(dat)
# 继续选取
# 标题
title = dat.xpath(‘.//div//a/text()‘)
# 主演
star = dat.xpath(‘.//p[@class="star"]/text()‘)
# 时间
releasetime = dat.xpath(‘//p[@class="releasetime"]/text()‘)

for tit， sta， rel in zip(title， star， releasetime):
# 在函数里面遇到return就终止
# 生成器
yield {
‘电影名字‘: tit，
‘主演‘: sta.strip()，
‘上映时间‘: rel
}

def save2File(data):
# with open(‘maoyan66.txt‘， ‘a‘， encoding=‘utf-8‘) as fp:
# fp.write(data+‘\n‘)

with open(‘maoyan66.txt‘， ‘a‘， encoding=‘utf-8‘) as fp:
fp.write(json.dumps(data， ensure_ascii=False)+‘\n‘)

if __name__ == "__main__":

for page in range(10):

# 一页网址
url = f‘https://maoyan.com/board/4?offset={page*10}‘
# 调用
r = getOnePage(url)
# 解析数据返回生成器
result = parseOnePage(r)
for res in result:
# with open(‘maoyan.txt‘，‘a‘，encoding=‘utf-8‘) as fp:
# # 打印到文件
# print(str(res)， file=fp)
save2File(str(res))

XPath提取猫眼电影

相关推荐