首页 > 其他分享> > 05.爬虫入门笔记1

05.爬虫入门笔记1

2022-08-26 01:30:49 作者：互联网

入门爬虫笔记01

1.request库的使用

使用request库的get方法
```
import request
r = request.get('www.baidu.com')
```
这会得到一个Response对象，将其存入变量r。

显示得到的html代码

print（r.text）

有时候会出现乱码的情况，这时候在网站使用开发者工具(F12)，在head标签下，找一下'charset'这个单词

如图百度的 charset = 'utf-8'，所以在程序中加入代码：

r.encoding = 'utf-8'  # 'gbk' 'utf-8'这个两个最常见

2.使用xpath解析

生成实例
```
tree = etree.HTML(r.text) 
```

xpath匹配模式

路径定位

tree.xpath('/html/body/div') # 绝对路径 相对路径
tree.xpath('/html//div')

属性定位

tree.xpath('//div[@class='song']')
# 定位class属性等于song 的 div标签

引索定位

tree.xpath('//div[@class='song']/p[3]')
# 定位<div class="song"></div>内的第三个p标签 
# 这个引索是从1开始的，而不是从0开始

这些匹配模式可以组合使用，完成复杂的匹配。

取出数据

使用 @href 取出链接
使用 text() 取出标签内的文本

练习：

<!DOCTYPE html>
<html lang="en">
<head>
    <meta charset="UTF-8">
</head>
<body>
<div class="main">
</div> 
<div class="menu">
  <ul>
      <li>
          <a href='https://www.baidu.com'>baidu</a>
      </li>
      <li>
          <a href='https://www.bilibili.com/'>bilibili</a>
      </li>
  </ul>
</div> 
</body>
</html>

取出第一个a标签的文本"baidu"：

a1 = tree.xpath("/html/body/div[@class='menu']/ul/li[1]/a/text()")

取出第二个a标签的链接"https://www.bilibili.com/":

a2 = tree.xpath("/html/body/div[2]/ul/li[2]/a/@href")

睡觉!

标签：xpath,入门,05,标签,tree,爬虫,html,text,div
来源： https://www.cnblogs.com/passion2021/p/16626301.html