python爬虫xpath获取子网页网址

以下是使用Python和XPath获取子网页网址的示例代码：

import requests
from lxml import etree

# 请求主页并获取HTML内容
url = 'https://example.com'
response = requests.get(url)
html = response.content

# 解析HTML并提取子网页链接
selector = etree.HTML(html)
links = selector.xpath('//a/@href')

# 遍历子网页链接并获取网址
for link in links:
    response = requests.get(link)
    html = response.content
    selector = etree.HTML(html)
    urls = selector.xpath('//a/@href')
    for url in urls:
        print(url)

在代码中，我们首先请求主页并获取HTML内容。然后，使用lxml库中的etree模块来解析HTML并使用XPath表达式提取子网页链接。接下来，我们遍历这些链接并获取它们的HTML内容。最后，再次使用XPath表达式提取子网页的网址并将其打印到控制台上。

请注意，此示例代码仅用于演示用途。在实际的爬取任务中，应该使用协议、robots.txt等工具来确保爬虫的行为合法，避免对目标网站造成不必要的压力。

相关问题

python爬虫正则表达式xpath获取子网页网址

使用Python爬虫获取子网页网址时，可以使用正则表达式或XPath来提取网址。

1. 正则表达式

正则表达式是一种用来匹配字符串的强大工具，可以用来提取子网页url。

例如，可以使用Python的re模块来实现正则表达式匹配：

import re
import requests

# 发送网络请求并获取网页内容
url = 'http://example.com'
html = requests.get(url).text

# 定义正则表达式
pattern = '<a.*?href="(.*?)".*?>'

# 使用正则表达式提取子网页链接
links = re.findall(pattern, html)

# 打印结果
print(links)

2. XPath

XPath是一种XML路径语言，可以用于定位和选择XML文档中的元素或节点。在爬虫中，可以使用XPath来提取子网页url。

例如，可以使用Python中的lxml库来实现XPath选择器：

import requests
from lxml import html

# 发送网络请求并获取网页内容
url = 'http://example.com'
html = requests.get(url).text

# 使用XPath选择器提取子网页链接
tree = html.fromstring(html)
links = tree.xpath('//a/@href')

# 打印结果
print(links)

以上是两种获取子网页网址的方法，可以根据个人需要选择适合的方法。

python爬虫正则表达式结合xpath获取子网页网址

以下是示例代码：

import re
import requests
from lxml import etree

url = "https://www.example.com"
response = requests.get(url)
html = response.content.decode()

# 用正则表达式匹配子网页网址
regex = r'<a href="(http[s]?://www.example.com/\d+/.+?)">'
sub_urls = re.findall(regex, html)

# 用xpath解析子网页内容
for sub_url in sub_urls:
    sub_response = requests.get(sub_url)
    sub_html = sub_response.content.decode()
    sub_tree = etree.HTML(sub_html)

    # 获取子网页中需要的信息
    info = sub_tree.xpath('//div[@class="info"]/text()')
    print(info)

首先通过requests获取主网页的内容，然后用正则表达式匹配出所有子网页的网址。

正则表达式解释：

- `r'<a href="(http[s]?://www.example.com/\d+/.+?)">'`：匹配以`<a href="`开头，以`">`结尾的字符串；其中`(http[s]?://www.example.com/\d+/.+?)`是一个子串，它表示http或https开头，紧接着是主网页的地址，后面接任意数字和字符（`+?`表示非贪婪模式，即最少匹配，以避免匹配到多个链接）。

接着循环遍历所有子网页的网址，用requests获取子网页的内容，并用lxml库的etree模块解析html内容，以便提取所需的信息。

以上仅为示例，具体用法还需根据具体网站的html结构进行调整。