1.简介介绍
-网络爬虫（又称为网页蜘蛛，网络机器人，在FOAF社区中间，更经常的称为网页追逐者），是一种按照一定的规则，自动地抓取万维网信息的程序或者脚本。另外一些不常使用的名字还有蚂蚁、自动索引、模拟程序或者蠕虫。
-一般在浏览器上可以获取到的，通过爬虫也可以获取到，常见的爬虫语言有PHP,JAVA,C#,C++,Python，为啥我们经常听到说的都是Python爬虫，这是因为python爬虫比较简单，功能比较齐全。
2.Xpath获取页面信息
通过Xpath进行爬虫就是获取到页面html后通过路径的表达式来选取标签节点，沿着路径选取需要爬取的数据。
Xpath常用表达式：
| 表达式 | 描述 |
|---|---|
| / | 从根节点选取（取子节点） |
| // | 选择的当前节点选择文档中的节点 |
| . | 选取当前节点。 |
| … | 选取当前节点的父节点。 |
| @ | 选取属性 |
| * | 表示任意内容（通配符） |
| | | 运算符可以选取多个路径 |
Xpath常用函数：
| 函数 | 用法 | 解释 |
|---|---|---|
| startswith() | xpath(‘//div[starts-with(@id,”celent”)]‘) | #选取id值以celent开头的div节点 |
| contains() | xpath(‘//div[contains(@id,”celent”)]‘) | #选取id值包含celent的div节点 |
| and() | xpath(‘//div[contains(@id,”celent”) and contains(@id,”in”)]‘) | #选取id值包含celent的div节点 |
| text() | _.xpath(’./div/div[4]/a/em/text()’) | #选取em标签下文本内容 |
Xpath实操解析：
# 案例1
# //为从当前html中选取节点;[@class="c1text1"]为获取所有的class为c1text1的节点;/h1[1]为选取的节点下的第一个h1节点,如果没有[1]则是获取所有的,可以通过循环进行获取数据
etreeHtml.xpath('//*[@class="c1text1"]/h1[1]/text()')# 案例2
#//为从当前html中选取节点;[@class="c1text1"]为获取所有的class为c1text1的节点;/a为获取当前节点下的所有a标签节点,得到一个ObjectList;通过for循环获取里面每个标签数据,./@src为获取当前节点的src属性值
etreeHtml2 = etreeHtml.xpath('//*[@class="c1text1"]/a')
for _ in etreeHtml2: etreeHtml.xpath(./@src)
3.通过Xpath爬虫实操
本次实例以爬取我的CSDN文章列表信息保存到数据库为案列
3-1.获取xpath
通过F12打开开发者模式，点击左上角图标可参考下图，选择需要爬取数据的容器，在右边选择复制选择xpath就可以得到xpath路径了（//*[@id=“userSkin”]/div[2]/div/div[2]/div[1]/div[2]/div/div）；
完整代码展示：
# 导入需要的库
import requests
from lxml import etree
import pymysql# 文章详情信息类
class articleData():def __init__(self, title, abstract, path,date):self.title = title #文章名称self.abstract = abstract #文章摘要self.path = path #文章路径self.date = date #发布时间def to_string(self):print("文章名称:"+self.title+";文章摘要:"+self.abstract+";文章路径:"+self.path+";发布时间:"+self.date)#保存狗狗详情数据
#保存数据
def saveData(DataObject):count = pymysql.connect(host='xx.xx.xx.xx', # 数据库地址port=3306, # 数据库端口user='xxxxx', # 数据库账号password='xxxxxx', # 数据库密码db='xxxxxxx' # 数据库名)# 创建数据库对象db = count.cursor()# 写入sql# print("写入数据:"+DataObject.to_string())sql = f"insert into article_detail(title,abstract,alias,path,date) " \f"values ('{DataObject.title}','{DataObject.abstract}','{DataObject.path}','{DataObject.date}')"# 执行sqlprint(sql)db.execute(sql)# 保存修改内容count.commit()db.close()# 爬取数据的方向
def getWebData():# 网站页面路径url = "https://blog.csdn.net/BadBoyxiaolin?spm=1000.2115.3001.5343"# 请求头，模拟浏览器请求header = {"user-agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/98.0.4758.82 Safari/537.36"}# 获取页面所有节点代码html = requests.get(url=url, headers=header)# 打印页面代码查看# print(html.text)# 如果乱码可以设置编码格式# html.encoding = 'gb2312'# 通过xpath获取数据对应节点etreeHtml = etree.HTML(html.text)dataHtml = etreeHtml.xpath('//*[@class="mainContent"]/div/div/div')# 循环获取数据for _ in dataHtml:# ''.join()是将内容转换为字符串可以后面接replace数据进行处理title = ''.join(_.xpath('./article/a/div[1]/h4/text()'))#文章标题abstract = ''.join(_.xpath('./article/a/div[2]/text()'))#文章摘要path = ''.join(_.xpath('./article/a/@href'))#文章路径date = ''.join(_.xpath('./article/a/div[3]/div/div[2]/text()')).replace(' ','').replace('·','').replace('发布博客','')#发布时间#初始化文章类数据article_data = articleData(title,abstract,path,date)article_data.to_string() #打印数据看看是否对#保存数据到数据库# saveData(article_data)if __name__ == "__main__":getWebData()
