python爬虫常用的库：Python 库（urllib、BeautifulSoup、requests、scrapy）实现网页爬虫

python爬虫最简单案例分析:  对一个html文件进行分解，获取里面想要的数据

**

李清照

王安石

苏轼

柳宗元

this is span 宋朝是最强大的王朝，不是军队的强大，而是经济很强大，国民都很有钱 总为浮云能蔽日,长安不见使人愁

**

**import requests
from lxml import etree

tree = etree.parse("E:\odoo14\odoo14\myaddons\demo.html") # 获取html文件
tang_info = tree.xpath("//div[@class='tang']/ul/li/a/text()") # 获取标签里的文本

print('tang_info', tang_info)

"tang_info ['清明时节雨纷纷,路上行人欲断魂,借问酒家何处有,牧童遥指杏花村', '秦时明月汉时关,万里长征人未还,但使龙城飞将在,不教胡马度阴山', '岐王宅里寻常见,崔九堂前几度闻,正是江南好风景,落花时节又逢君', '杜甫', '杜牧', '凤凰台上凤凰游,凤去台空江自流,吴宫花草埋幽径,晋代衣冠成古丘']"

song_info = tree.xpath("//div[@class='song']/p/text()") #找到div的class 是song的，标签是p的文本
print('song_info', song_info)

结果 "song_info ['李清照', '王安石', '苏轼', '柳宗元']"

song_src = tree.xpath("//div[@class='song']/img/@src")** #找 到div的class 是song的，的img属性

**print('song_src', song_src) # song_src ['http://www.baidu.com/meinv.jpg']

song_src_a = tree.xpath("//div[@class='song']/a/text()")
print('song_src_a', song_src_a)
# song_src_a ['\n ', '\n 宋朝是最强大的王朝，不是军队的强大，而是经济很强大，国民都很有钱', '总为浮云能蔽日,长安不见使人愁']**

关于xpath路径的写法：XPath(全称XML Path Languang)，即XML路径语言，是一种在XML文档中查找信息的语言。

1、/ 表示从根节点选取

2、// 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。

3、@ 选取属性 返回所指元素的文本内容。

4、text()  返回所指元素的文本内容

4.1、string()  函数会得到所指元素的所有节点文本内容，这些文本讲会被拼接成一个字符串。

4.3、data()：data()函数和string()函数通用，而且不建议经常使用data()函数，有数据表明，该函数会影响XPath的性能。

注意：爬取内容都为数字的时候只能使用data()，不能使用text()或 string()，因为XPath不支持字符串做数学运算。

案例：song_info = tree.xpath("//div[@class='song']/p/text()") #找到div的class 是song的，标签是p的文本

5.查找页面上第一个form元素：//form[1]

6.查找页面上id为loginForm的form元素：//form[@id=‘loginForm’]

7、/bookstore/book[1]  选取属于 bookstore 子元素的第一个 book 元素。

8、/bookstore/book[last()] 选取属于 bookstore 子元素的最后一个 book 元素。

案例2：分析结构：

链接：首页        url = 'http://pic.netbian.com/4kqiche/'

后面分页：url = 'https://pic.netbian.com/4kqiche/index_%s.html' % page

import requests
from lxml import etree

headers = {
'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/73.0.3683.103 Safari/537.36'
}

url = 'http://pic.netbian.com/4kdongman/'

for page in range(1, 23):
if page == 1:
url = 'http://pic.netbian.com/4kqiche/'
else:
url = 'https://pic.netbian.com/4kqiche/index_%s.html' % page

response = requests.get(url=url, headers=headers)  
# response.encoding = 'utf-8'                                           #手动设定响应数据的编码

page\_text = response.text

# 数据解析（图片地址，图片名称）  
tree = etree.HTML(page\_text)  
# li\_list = tree.xpath('//div\[@class="slist"\]/ul/li')  
li\_list = tree.xpath('//ul\[@class="clearfix"\]/li')  
print('------------page--------------:', page)  
for li in li\_list:  
    # 局部内容解析一定是以./开头。etree和element都可以调用xpath  
    img\_src = 'http://pic.netbian.com' + li.xpath('./a/img/@src')\[0\]  # 解析出来的没有域名，要加上  
    img\_name = li.xpath('./a/img/@alt')\[0\]  # 不要忘记前面加点号，表示从当前li标签开始  
    img\_name = img\_name.encode('iso-8859-1').decode('gbk')  # 处理中文乱码的通用形式  
    img\_data = requests.get(url=img\_src, headers=headers).content

    img\_path = 'E://DEMO//' + img\_name + '.jpg'  # windows环境下：//来表示  
    with open(img\_path, 'wb') as fp:  
        fp.write(img\_data)  
        print(img\_name, '下载成功！！！')