一、Xpath简介
1、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 文档中对元素和属性进 行遍历。
2、选取节点
XPath 使用路径表达式来选取 XML 文档中的节点或者节点集。这些路径表达式和我们在常规的电脑文件系统中看 到的表达式非常相似。最常用的路径表达式:
3、谓语
谓语用来查找某个特定的节点或者包含某个指定的值的节点,被嵌在方括号中。
4、选取未知节点
XPath 通配符可用来选取未知的 XML 元素。
Xpath运算符
二、lxml库
1、lxml 是 一个HTML/XML的解析器,主要的功能是如何解析和提取 HTML/XML 数据。
lxml和正则一样,也是用 C 实现的,是一款高性能的 Python HTML/XML 解析器,可以利用之前学习的
XPath语法,快速定位特定元素以及节点信息。
lxml可以自动修正html代码,不仅补全了li标签,还添加了body,html标签。
2、文件读取
利用 etree.parse() 方法来读取文件
from lxml import etree
filename = 'doc/hello.html'
import os
print(os.path.exists(filename))
#利用etree.HTML,将字符串解析为HTML文档
html = etree.parse(filename)
# # 按字符串序列化HTML文档
result = etree.tostring(html)
print(result)
3、项目案例:Xpath案例–慕课网课程信息采集
import re
import requests
# User-Agent随机选择代理模块;
from fake_useragent import UserAgent
from lxml import etree
import pandas as pd
# 线程池
from concurrent.futures import ThreadPoolExecutor
def get_content(url):
"""数据采集"""
try:
headers = {
'User-Agent': ua.random,
}
response = requests.get(url, headers=headers)
response.raise_for_status()
response.encoding = response.apparent_encoding
except Exception as e:
print("网页" + url + "爬取错误:", e)
return ''
else:
# response.text : 如果普通的页面, 用text, 返回字符串的内容
# response.content : 如果不是普通的页面(图片, 视频), 用content, 返回的时二进制内容;
return response.text
def html_parser(html):
"""
数据解析: 获取页面的课程名称, 课程简介, 学习人数,
:param html:
:return:
"""
# 1. 获取页面上每个课程的详细信息;
"""
<div class="course-card-container">详细的课程信息对应的html.......</div>
"""
html = etree.HTML(html)
courseDetails =html.xpath('//div[@class="course-card-container"]')
# print(courseDetails)
# 2. 遍历所有的课程, 依次提取每个课程的标题, 学习人数, 详细信息
for courseDetail in courseDetails:
# 2-1. 标题
"""
<h3 class="course-card-name">初识HTML+CSS</h3>
"""
# 默认返回的时列表, e.g: ['初识HTML+CSS'], 访问它的第0个索引是我们想要的内容;
title = courseDetail.xpath('.//h3[@class="course-card-name"]/text()')[0]
# print(title)
# 2-2. 学习人数
"""
<div class="course-card-info">
<span>入门</span><span><i class="imv2-set-sns"></i>1056599</span>
</div>
"""
# 默认返回的是列表, 格式如下: ['入门', '1056602']
studentNum = courseDetail.xpath('.//div[@class="course-card-info"]/span/text()')[-1]
# print(studentNum)
# 2-3. 课程的详细信息
"""
<p class="course-card-desc">HTML+CSS基础教程8小时带领大家步步深入学习标签用法和意义</p>
"""
courseInfo = courseDetail.xpath('.//p[@class="course-card-desc"]/text()')[0]
# print(courseInfo)
# 2-4. 获取详细的url地址
"""
<a target="_blank" href="/learn/9" class="course-card">
"""
# print( courseDetail.xpath('./a/@href'))
course_url = "https://www.imooc.com" + courseDetail.xpath('./a/@href')[0]
# yield title, studentNum, courseInfo, course_url
# 用字典存储
result = [{
'title': title,
'studentNum': studentNum,
'courseInfo': courseInfo,
'course_url': course_url
}]
df = pd.DataFrame(result)
yield df
def save_data(df):
"""
数据存储
:return:
"""
df.to_csv(csv_filename, sep=',', header=True, index=False)
print("写入文件%s成功...." %(csv_filename))
def task(page):
"""
多线程执行的任务
:param page:
:return:
"""
url = 'https://www.imooc.com/course/list?page=%s' %(page)
html = get_content(url)
df = html_parser(html)
return df
if __name__ == '__main__':
ua = UserAgent()
threadCount = 5
pages = 3
csv_filename = 'doc/mooc.csv'
with ThreadPoolExecutor(threadCount) as pool:
# 存储的是任务的返回值
# results里面有几个元素
results = pool.map(task, range(1, pages+1))
# results的个数取决于任务个数, 比如任务数为5, 返回的结果也为5个;
# result里面包含多个df对象;
# for result in results:
# print(result)
total_df = pd.DataFrame({})
for result in results:
for item in result:
print(item)
# # 拼接获取的所有信息, axis=0代表往跨行(down),而axis=1代表跨列(across)
total_df = pd.concat([item, total_df], axis=0)
print(total_df)
save_data(total_df)