学习lxml和xpath

xml是一种标记语法的文本格式，xpath可以方便的定位xml中的元素和其中的属性值。html也属于标记语言，可以用xpath来获取想要的对象和属性。
lxml是python中的一个包，这个包中包含了将html文本转成xml对象，和对对象执行xpath的功能。

以下是xpath的常用路径选择语法：

• 节点名 选取此节点下的所有子节点
• / 从根节点选取
• // 从匹配选择的当前节点选择文档中的节点，而不考虑它们的位置。
• @ 选取属性

以下是一个练习，爬取，贴吧的图片：

思路：

1. 根据url变化写出，列表页的url表达式

2. 访问列表页，通过xpah获取每条内容的链接

3. 通过连接进入详情页，获取其中的图片链接

4. 通过图片src 访问图片，并保存在本地

这里讲一个大坑

从浏览器中通过xpath，能匹配到

enter description here

但是在代码中运行却不能，
经过一番折腾终于发现了，查看response文本，
竟然发现body部分被注释掉了，那么取消掉注释就可以匹配到了。

# coding=utf8

import urllib
import urllib2
from lxml import etree


headers = {'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/57.0.2987.133 Safari/537.36'}
def load_page(url):
    """
    作用：根据url发送请求，获取服务器相应文件
    url: 需要爬取的url地址
    """

    request = urllib2.Request(url,headers=headers)


    response = urllib2.urlopen(request).read().replace('<!--','').replace('--!>','')
    # with open('sss.html','w') as f:
    #     f.write(response)

    links =  etree.HTML(response).xpath(r'//div[@class="t_con cleafix"]/div/div/div/a/@href')
    print links
    for link in links:
        load_img(link)
        print('*************')
        print link

def load_img(link):

    url = 'https://tieba.baidu.com'+link

    request = urllib2.Request(url,headers=headers)
    response = urllib2.urlopen(request).read()
    # with open('s.html','w') as f:
    #     f.write(response)
    my_xml = etree.HTML(response)
    img_list = my_xml.xpath(r'//img[@class="BDE_Image"]/@src')
    for img_src in img_list:
        write_img(img_src)

def write_img(src):
    request = urllib2.Request(src,headers=headers)
    response = urllib2.urlopen(request).read()
    with open('img/'+src[-15:],'wb') as f:
        f.write(response)

def tieba_spider(url,bagin_page,end_page):
    '''
    作用；贴吧爬虫调度器，负责组合处理每个页面的url
    url :贴吧url前部分

    '''

    #每一页一页的爬，用for
    for i in range(bagin_page,end_page+1):
        pn = (i-1)*50 #这里是百度贴吧表示 页码的方式
        ful_url = url +'&pn=' +str(pn)
        print ful_url
        file_name = '第' + str(i) +'页.html'
        #调用load_page
        load_page(ful_url)



if __name__ == '__main__':
    kw = raw_input("输入贴吧名：")
    begain_page = int(raw_input('起始页:'))
    end_page = int(raw_input('输入结束页'))

    url ='https://tieba.baidu.com/f?'
    key = urllib.urlencode({'kw':kw})

    ful_url = url  +key

    tieba_spider(ful_url,begain_page,end_page)

这样就爬取了文章中的图片了：

enter description here

总结：

1. 通过xpth获取节点时，要分析html结构。
2. 浏览器上和用urlopen获得的html会有不同，以response为准
3. lmxl具有xpath功能