Python爬蟲入門之初遇lxml庫

1.爬蟲是什么

所謂爬蟲，就是按照一定的規則，自動的從網路中抓取資訊的程式或者腳本，萬維網就像一個巨大的蜘蛛網，我們的爬蟲就是上面的一個蜘蛛，不斷的去抓取我們需要的資訊，

2.爬蟲三要素

• 抓取
• 分析
• 存盤

3.爬蟲的程序分析

當人類去訪問一個網頁時，是如何進行的？
　　①打開瀏覽器，輸入要訪問的網址，發起請求，
　　②等待服務器回傳資料，通過瀏覽器加載網頁，
　　③從網頁中找到自己需要的資料（文本、圖片、檔案等等），
　　④保存自己需要的資料，

對于爬蟲，也是類似的，它模仿人類請求網頁的程序，但是又稍有不同，
　　首先，對應于上面的①和②步驟，我們要利用python實作請求一個網頁的功能，
　　其次，對應于上面的③步驟，我們要利用python實作決議請求到的網頁的功能，
　　最后，對于上面的④步驟，我們要利用python實作保存資料的功能，
　　因為是講一個簡單的爬蟲嘛，所以一些其他的復雜操作這里就不說了，下面，針對上面幾個功能，逐一進行分析，

4.如何用python請求一個網頁

作為一門擁有豐富類別庫的編程語言，利用python請求網頁完全不在話下，這里推薦一個非常好用的類別庫urllib.request，

4.1.抓取網頁

• urllib庫使用

import urllib.request

response = urllib.request.urlopen('https://laoniu.blog.csdn.net/')
print(response.read().decode('utf-8'))

這樣就可以抓取csdn我的主頁的html檔案

我們使用爬蟲就是需要在網頁中提取我們需要的資料，接下來我們來學習抓取一下百度搜索頁的熱榜資料

4.2.如何決議網頁呢

使用lxml庫

lxml 是一種使用 Python 撰寫的庫，可以迅速、靈活地處理 XML 和 HTML，

它支持 XML Path Language (XPath) 和 Extensible Stylesheet Language Transformation (XSLT)，并且實作了常見的 ElementTree API，

安裝

• windows下安裝

#pip方式安裝
pip3 install lxml

#wheel方式安裝 
#下載對應系統版本的wheel檔案:http://www.lfd.uci.edu/~gohlke/pythonlibs/#lxml
pip3 install lxml-4.2.1-cp36-cp36m-win_amd64.whl

• linux下安裝

yum install -y epel-release libxslt-devel libxml2-devel openssl-devel

pip3 install lxml

環境/版本一覽：

• 開發工具：PyCharm 2020.2.3
• python：3.8.5

4.3.撰寫代碼

import urllib.request
from lxml import etree

# 獲取百度熱榜
url = "https://www.baidu.com/s?ie=UTF-8&wd=1"
# 我們在請求頭加入User-Agent引數，這樣可以讓服務端認為此次請求是用戶通過瀏覽器發起的正常請求，防止被識別為爬蟲程式請求導致直接拒絕訪問
req = urllib.request.Request(url=url, headers={
    'User-Agent': 'User-Agent: Mozilla/5.0 (Macintosh; Intel Mac OS X 11_1_0) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/87.0.4280.88 Safari/537.36'
})
# 發起請求
html_resp = urllib.request.urlopen(req).read().decode("utf-8")

到這里我們可以順利獲取百度的搜索頁面html檔案

我門需要看一下熱搜排行榜的標簽元素在哪里

找到第一條 右鍵復制 XPath (后邊說XPath是什么)

我們需要了解并使用XPath，XPath即為XML路徑語言（XML Path Language），它是一種用來確定XML檔案中某部分位置的語言，

復制的內容結果是：//*[@id="con-ar"]/div[2]/div/div/table/tbody[1]/tr[1]

這xPath字串 表示現在在html定位的位置就是熱點新聞第一行內容

5.XPath常用規則

6.繼續分析

那么我們要獲取所有的熱點新聞該怎么寫呢

繼續看網頁

可以看到所有的熱榜分別在三個<tbody>之下

修改一下剛才復制的XPath

//*[@id="con-ar"]/div[2]/div/div/table/tbody[1]/tr[1] 改為 //*[@id="con-ar"]/div[2]/div/div/table/tbody/tr

這樣XPath就會定位到這三個tbody下的所有tr元素內容

我們繼續看一下tr是不是我們想要的內容，展開一個tr看看

淦～還有一堆，百度你不講武德，，

這該怎么辦，我們需要拿到資料是 【標題】 【訪問鏈接】 【熱度】，現在手里已經拿到的是所有的tr元素

緊接著從tr下手 直接 拿到下面所有<a>標簽的標題與超鏈接

標題的XPath: */a/@title 超鏈接的XPath: */a/@href

*表示匹配tr下的所有元素 /a是在*找到第一個a標簽 @是屬性選擇器 title和href就是要選擇的素屬性了

還剩下個熱度，let‘s me 繼續操作，直接選擇tr下的第二個td XPath: td[2]

分析完畢，把完整的代碼貼出來

import urllib.request
from lxml import etree

# 獲取百度熱榜

url = "https://www.baidu.com/s?ie=UTF-8&wd=1"
# 我們在請求頭加入User-Agent引數，這樣可以讓服務端認為此次請求是用戶通過瀏覽器發起的正常請求，防止被識別為爬蟲程式請求導致直接拒絕訪問
req = urllib.request.Request(url=url, headers={
        'User-Agent': 'User-Agent: Mozilla/5.0 (Macintosh; Intel Mac OS X 11_1_0) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/87.0.4280.88 Safari/537.36'
    })
html_resp = urllib.request.urlopen(req).read().decode("utf-8")
html = etree.HTML(html_resp)#初始化生成一個XPath決議物件
_list = html.xpath("//*[@id='con-ar']/div[2]/div/div/table/tbody/tr")
print(f"article count : {len(_list)}")

for tr in _list:
    title = tr.xpath("*/a/@title")[0]
    href = tr.xpath("*/a/@href")[0]
    hot = tr.xpath("string(td[2])").strip()
    print(f"{hot}\t{title}\thttps://www.baidu.com{href}")

點擊運行，程式啪就跑起來了，很快啊，資料全都過來了，我全都接住了，我笑了一下，希望百度耗子為之

到此就完成了lxml xpath的基本使用，更詳細的xpath教程請看 ：https://www.w3school.com.cn/xpath/index.asp

爬蟲三要素，抓取資料完成了，剩余的分析與存盤就先不說了