一起学爬虫——使用xpath库爬取猫眼电

  • 2020 年 1 月 21 日
  • 筆記

之前分享了一篇使用requests库爬取豆瓣电影250的文章，今天继续分享使用xpath爬取猫眼电影热播口碑榜

XPATH语法 XPATH(XML Path Language)是一门用于从XML文件中查找信息的语言。通用适用于从HTML文件中查找数据。工欲善其事必先利其器，我们首先来了解XPATH常用的语法规则。

常用匹配规则：

属性

匹配规则描述

nodename

匹配此节点的所有子节点

/

匹配当前节点的直接子节点，不包含孙节点

//

匹配当前节点的所有子孙节点

.

匹配当前节点

..

匹配当前节点的父节点

@

匹配属性值

XPATH的匹配功能很强大，上面6种匹配规则可以搭配使用，通过上面的6种匹配规则即可爬取到网页上所有的我们想要的数据。

使用下面的HTML文档介绍上述6种规则的搭配使用。

<html>      <div id="div_id1" class="div_class1">          <ul>              <li class="li_item1"><a href="www.bigdata17.com">Summer哥的自留地</a></li>              <li class="li_item2 li"><a href="li_test.html">test li</a></li>          </ul>              <li>20</li>              <li>30</li>          <ul>          </ul>      </div>  </html>

匹配表达式

结果

//*

匹配网页中所有的节点

//div

匹配所有div节点

//div/li

匹配所有div节点的所有li节点

//a[@href="www.bigdata17.com"/..]

匹配href属性为www.bigdata17.com的A节点的父节点

//li[@class="li_item1"]

匹配所有li元素，且为class属性为"li_item1"

//li[@class]

匹配所有拥有class属性的li元素

//li/a/@href

获取所有li元素a子元素的href属性值，注意和//li[@class="li_item1"的且

//li//text()

过去li节点所有子节点的文本

//li[@class="li_item1"]/a/text()

获取class属性为li_item1的li节点所有a子节点的文本

//li[contains(@class,"li")]/a/text()

获取class属性值包含li的li节点所有a子节点的文本

//div[contains(@class,"div") and @id="div_id1"]/ul

获取所有class属性包含“div”且id属性值为“div_id1”的div节点的ul子节点

/div/ul[li>20]

选取div节点的所有 ul节点，且其中的li节点的值须大于20

/div/ul[1]

匹配属于div节点的第一个 ul节点。

/div/ul[last()]

匹配属于div 子节点的最后一个ul节点

/div/ul[last()-1]

匹配属于div 子节点的倒数第二个ul节点

/div/ul[position() < 3]

匹配最前面的两个属于div元素的ul子元素

通过上面的匹配规则，我们就可以使用XPATH来解析爬取猫眼电影国内票房榜的数据。

XPATH要配合requests一起使用，使用requests抓取网页信息，然后使用XPATH解析网页信息，XPATH在lxml库中，因此需要在pycharm中安装lxml。

1、获取取猫眼电影热播口碑榜HTML文件 下面是抓取猫眼电影热播口碑榜的代码：

from lxml import etree  import requests    url = 'http://maoyan.com/board/1'  headers = {"User-Agent": "Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/58.0.3029.110 Safari/537.36 SE 2.X MetaSr 1.0"}    response = requests.get(url,headers=headers)  html = response.text

2、提取电影名 现在浏览器的开发者工具都支持提取xpath规则，具体步骤如下： 首先在浏览器中打开网址，按下F12，ctrl+f查找电影名，鼠标右键弹出的菜单，点击Copy选项，点击Copy Xpath。到此就可以把电影名称的xpath匹配规则提取出来：

电影名称提取的规则是： //*[@id="app"]/div/div/div/dl/dd[1]/div/div/div[1]/p[1]/a

我们使用这个规则看下是否能提取出电影名称，代码如下：

from lxml import etree  import requests    url = 'http://maoyan.com/board/7'  headers = {"User-Agent": "Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/58.0.3029.110 Safari/537.36 SE 2.X MetaSr 1.0"}    response = requests.get(url,headers=headers)  html = response.text    movie_name_xpath = '//*[@id="app"]/div/div/div/dl/dd[1]/div/div/div[1]/p[1]/a/text()'  s = etree.HTML(html)  movie_name = s.xpath(movie_name_xpath)  print(movie_name)

运行结果：[<Element a at 0x35f5248>] 上面的结果显示抓取到的是a元素，就是html中的a标签，要想获取该元素中的文本值，必须在xpath匹配规则追加/text()，下面是追加/text()后的代码及运行结果：

from lxml import etree  import requests    url = 'http://maoyan.com/board/1'  headers = {"User-Agent": "Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/58.0.3029.110 Safari/537.36 SE 2.X MetaSr 1.0"}    response = requests.get(url,headers=headers)  html = response.text    movie_name_xpath = '//*[@id="app"]/div/div/div/dl/dd[1]/div/div/div[1]/p[1]/a/text()'  s = etree.HTML(html)  movie_name = s.xpath(movie_name_xpath)  print(movie_name)    运行结果['嗝嗝老师']

这里只是提取一部电影的名称，我们要想提取当前网页的所有电影的名称，匹配规则怎么写呢？ 下面是当前页10部电影的xpath匹配规则

//*[@id="app"]/div/div/div/dl/dd[1]/div/div/div[1]/p[1]/a  //*[@id="app"]/div/div/div/dl/dd[2]/div/div/div[1]/p[1]/a  //*[@id="app"]/div/div/div/dl/dd[3]/div/div/div[1]/p[1]/a  //*[@id="app"]/div/div/div/dl/dd[4]/div/div/div[1]/p[1]/a  //*[@id="app"]/div/div/div/dl/dd[5]/div/div/div[1]/p[1]/a  //*[@id="app"]/div/div/div/dl/dd[6]/div/div/div[1]/p[1]/a  //*[@id="app"]/div/div/div/dl/dd[7]/div/div/div[1]/p[1]/a  //*[@id="app"]/div/div/div/dl/dd[8]/div/div/div[1]/p[1]/a  //*[@id="app"]/div/div/div/dl/dd[9]/div/div/div[1]/p[1]/a  //*[@id="app"]/div/div/div/dl/dd[10]/div/div/div[1]/p[1]/a

发现dd的数字会变化，其他的都不变，因此用通配符“*”代替dd节点中的数字，提取当前页所有电影名字的xpath规则为：

//*[@id="app"]/div/div/div/dl/dd[*]/div/div/div[1]/p[1]/a

看下最后的运行结果是什么。

from lxml import etree  import requests    url = 'http://maoyan.com/board/1'  headers = {"User-Agent": "Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/58.0.3029.110 Safari/537.36 SE 2.X MetaSr 1.0"}    response = requests.get(url,headers=headers)  html = response.text    movie_name_xpath = '//*[@id="app"]/div/div/div/dl/dd[*]/div/div/div[1]/p[1]/a/text()'  s = etree.HTML(html)  movie_name = s.xpath(movie_name_xpath)  print(movie_name)    运行结果：['嗝嗝老师', '毒液：致命守护者', '无名之辈', '恐龙王', '流浪猫鲍勃', '无双', '名侦探柯南：零的执行人', '飓风奇劫', '影', '你好，之华']

可见使用通配符*把所有的电影名称都提取出来了。

3、提取电影图片链接 通过上步骤获取图片的xpath匹配规则为：

//*[@id="app"]/div/div/div/dl/dd[1]/a/img[2]

通过开发者工具知道img节点有三个属性，分别是alt,class和src。

其中src的是图片的地址，在xpath提取规则追加上@src,变为：

//*[@id="app"]/div/div/div/dl/dd[1]/a/img[2]/@src

看下这个xpath规则是否能提取到图片的链接地址：

from lxml import etree  import requests    url = 'http://maoyan.com/board/7'  headers = {"User-Agent": "Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/58.0.3029.110 Safari/537.36 SE 2.X MetaSr 1.0"}    response = requests.get(url,headers=headers)  html = response.text    movie_img_xpath = '//*[@id="app"]/div/div/div/dl/dd[1]/a/img[2]/@src'  s = etree.HTML(html)  movie_img = s.xpath(movie_img_xpath)  print(movie_img)

运行的结果是：[]

怎么会得不到src属性的值呢？难道src属性不存在？

通过鼠标右键查看网页源文件：

原来src变成了data-src。修改xpath规则后看下能否提取出电影图片链接：

from lxml import etree  import requests    url = 'http://maoyan.com/board/7'  headers = {"User-Agent": "Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/58.0.3029.110 Safari/537.36 SE 2.X MetaSr 1.0"}    response = requests.get(url,headers=headers)  html = response.text    movie_img_xpath = '//*[@id="app"]/div/div/div/dl/dd[1]/a/img[2]/@data-src'  s = etree.HTML(html)  movie_img = s.xpath(movie_img_xpath)  print(movie_img)

运行结果：

['http://p0.meituan.net/movie/36f1a50b4eae6aa93e3f7a373fb6ee89991083.jpg@160w_220h_1e_1c']

电影图片链接提取成功。 这是提取一部电影的xpath规则，下面是当前页面10部电影图片的规则：

//*[@id="app"]/div/div/div/dl/dd[1]/a/img[2]/@data-src  //*[@id="app"]/div/div/div/dl/dd[2]/a/img[2]/@data-src  //*[@id="app"]/div/div/div/dl/dd[3]/a/img[2]/@data-src  ...  ...  ...  //*[@id="app"]/div/div/div/dl/dd[9]/a/img[2]/@data-src  //*[@id="app"]/div/div/div/dl/dd[10]/a/img[2]/@data-src

观察发现dd的数字会变化，其他的都不变，因此用通配符“*”代替dd节点中的数字，提取当前页所有电影图片链接的xpath规则为：

//*[@id="app"]/div/div/div/dl/dd[*]/a/img[2]/@data-src

以此类推，通过上面的方式提取出当前页所有电影名称，图片地址，主演，上映时间，评分的xpath匹配规则：

movie_name_xpath = '//*[@id="app"]/div/div/div/dl/dd[*]/div/div/div[1]/p[1]/a/text()'  movie_img_xpath = '//*[@id="app"]/div/div/div/dl/dd[*]/a/img[2]/@data-src'  movie_actor_xpath = '//*[@id="app"]/div/div/div/dl/dd[*]/div/div/div[1]/p[2]/text()'  movie_release_time_xpath = '//*[@id="app"]/div/div/div/dl/dd[*]/div/div/div[1]/p[3]/text()'  movie_score_xpath =  '//*[@id="app"]/div/div/div/dl/dd[*]/div/div/div[2]/p/i/text()'

爬取猫眼电影国内热播榜的完整代码如下：

# coding:utf-8  from lxml import etree  import requests    #获取网页  def getHtml(url):      headers = {"User-Agent": "Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/58.0.3029.110 Safari/537.36 SE 2.X MetaSr 1.0"}        response = requests.get(url,headers=headers)      html = response.text      return html      #      # movie_img_xpath = '//*[@id="app"]/div/div/div/dl/dd[1]/div/div/div[2]/p/i/text()'      # s = etree.HTML(html)      # movie_img = s.xpath(movie_img_xpath)      # print(movie_img)    #解析网页  def parseHtml(html):      s = etree.HTML(html)      movie_name_xpath = '//*[@id="app"]/div/div/div/dl/dd[*]/div/div/div[1]/p[1]/a/text()'      movie_img_xpath = '//*[@id="app"]/div/div/div/dl/dd[*]/a/img[2]/@data-src'      movie_actor_xpath = '//*[@id="app"]/div/div/div/dl/dd[*]/div/div/div[1]/p[2]/text()'      movie_release_time_xpath = '//*[@id="app"]/div/div/div/dl/dd[*]/div/div/div[1]/p[3]/text()'      movie_score_xpath = '//*[@id="app"]/div/div/div/dl/dd[*]/div/div/div[2]/p/i/text()'        movie_name = s.xpath(movie_name_xpath)      movie_img = s.xpath(movie_img_xpath)      movie_actor = s.xpath(movie_actor_xpath)      movie_score = s.xpath(movie_score_xpath)      movie_release_time = s.xpath(movie_release_time_xpath)        for i in range(len(movie_name)):          print('电影名称：' + movie_name[i])          print('主演：' + movie_actor[i].strip())          print('图片链接：' + movie_img[i].strip())          print('评分：' + movie_score[2*i] + movie_score[2*i + 1])          print(movie_release_time[i])          print('-------------------------------------------强力分割线-------------------------------------------')  def main():      url = 'http://maoyan.com/board/7'      html = getHtml(url)      parseHtml(html)    if __name__ == '__main__':      main()

总结： 在使用开发者工具提取xpath规则获取不到相应的数据时，要注意xpath规则是否准确，有些浏览器会加上一些多余的标签，或者将节点的属性名改掉，例如上面例子中将的img节点的src属性变为data-src。结合查看源文件都可以获取到正确的xpath规则。

VirMach 便宜 VPS

QNews

QNews