xpath爬取网页数据
时间: 2023-07-27 22:07:51 浏览: 58
XPath是一种在XML文档中查找信息的语言,也可以用于HTML文档中的信息提取。在爬虫中,XPath能够非常灵活地定位和提取HTML文档中的数据。
使用XPath爬取网页数据的步骤如下:
1. 安装XPath解析库,比如lxml库。
2. 获取HTML文档,可以使用requests库发送HTTP请求获取HTML文档。
3. 解析HTML文档,将HTML文档转化为XPath可以识别的格式。可以使用lxml库中的etree模块来解析HTML文档。
4. 使用XPath表达式定位和提取数据。
5. 处理数据,将提取的数据进行清洗和处理。
下面是一个简单的例子,使用XPath爬取豆瓣电影Top250中的电影名称和评分:
```python
import requests
from lxml import etree
url = 'https://movie.douban.com/top250'
response = requests.get(url)
html = etree.HTML(response.text)
# 定位电影名称和评分
movies = html.xpath('//div[@class="info"]')
for movie in movies:
name = movie.xpath('.//span[@class="title"]/text()')[0]
rating = movie.xpath('.//span[@class="rating_num"]/text()')[0]
print(name, rating)
```
在这个例子中,我们首先使用requests库获取豆瓣电影Top250的页面,然后使用lxml库的etree模块将HTML文档解析为XPath可以识别的格式。接着,我们使用XPath表达式定位电影名称和评分,并将其打印出来。