XPath 的安裝以及使用
1 . XPath 的介紹
剛學過正則表達式，用的正順手，現在就把正則表達式替換掉，使用 XPath，有人表示這太坑爹了，早知道剛上來就學習 XPath 多省事 啊。其實我個人認為學習一下正則表達式是大有益處的，之所以換成 XPath ，我個人認為是因為它定位更準確，使用更加便捷。可能有的人對 XPath 和正則表達式的區別不太清楚，舉個例子來說吧，用正則表達式提取我們的內容，就好比說一個人想去天安門，地址的描述是左邊有一個圓形建筑，右邊是一個方形建筑，你去找吧，而使用 XPath 的話，地址的描述就變成了天安門的具體地址。怎么樣？相比之下，哪種方式效率更高，找的更準確呢？
2 . XPath 的安裝
XPath 包含在 lxml 庫中，那么我們到哪里去下載呢？ 點擊此處 ，進入網頁后按住 ctrl+f 搜索 lxml ，然后進行下載，下載完畢之后將文件拓展名改為 .zip ，然后進行解壓，將名為 lxml 的文件夾復制粘貼到 Python 的 Lib 目錄下，這樣就安裝完畢了。
3 . XPath 的使用
為了方便演示，我利用 Html 寫了個簡單的網頁，代碼如下所示（為了節省時間，方便小伙伴們直接進行測試，可直接復制粘貼我的代碼）
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
|
<!DOCTYPE html><html lang="en"><head> <meta charset="UTF-8"> <title>Test Html</title></head><body><div id="content"> <ul id="like"> <li>like one</li> <li>like two</li> <li>like three</li> </ul> <ul id="hate"> <li>hate one</li> <li>hate two</li> <li>hate three</li> </ul> <div id="url"> <a href="http://www.baidu.com">百度一下</a> <a href="http://www.hao123.com">好123</a> </div></div></body></html> |
用谷歌瀏覽器打開這個網頁，然后右擊，選擇檢查，會出現如下所示界面
這個時候你鼠標右擊任何一行 html 代碼，都可以看到一個 Copy，將鼠標放上去，就可以看到 Copy XPath ，先復制下來，怎么用呢？
|
1
2
3
4
5
6
7
8
9
10
11
|
# coding=utf-8from lxml import etreef = open('myHtml.html','r')html = f.read()f.close()selector = etree.HTML(html)content = selector.xpath('//*[@id="like"]/li/text()')for each in content: print each |
看看打印結果
|
1
2
3
|
like onelike twolike three |
很顯然，將我們想要的內容打印下來了，注意我們在 xpath() 中使用了 text() 函數，這個函數就是獲取其中的內容，但是如果我們想獲取一個屬性，該怎么辦？比如說我們想得到 html 中的兩個鏈接地址，也就是 href 屬性，我們可以這么操作
|
1
2
3
|
content = selector.xpath('//*[@id="url"]/a/@href')for each in content: print each |
這個時候的打印結果就是
|
1
2
|
http://www.baidu.comhttp://www.hao123.com |
看到現在大家大概也就對 xpath() 中的符號有了一定的了解，比如一開始的 // 指的就是根目錄，而 / 就是父節點下的子節點，其他的 id 屬性也是一步一步從上往下尋找的，由于這是一種樹結構，所以也難怪方法的名字為 etree()。
4 . XPath 的特殊用法
|
1
2
3
4
5
6
7
8
9
10
11
12
13
|
<!DOCTYPE html><html lang="en"><head> <meta charset="UTF-8"> <title>Title</title></head><body><div id="likeone">like one</div><div id="liketwo">like two</div><div id="likethree">like three</div></body></html> |
面對上面的一個網頁，我們應該如何獲取到三行的內容的 ? 嗯哼，很簡單，我寫三個 XPath 語句不就好了，so easy 。 如果真是這樣，那么我們的效率好像是太低了一點，仔細看看這三行 div 的 id 屬性，好像前四個字母都是 like, 那就好辦了，我們可以使用 starts-with 對這三行進行同時提取，如下所示
content = selector.xpath('//div[starts-with(@id,"like")]/text()')
不過這樣有一點麻煩的地方，我們就需要手動的去寫 XPath 路徑了，當然也可以復制粘貼下來在進行修改，這就是提升復雜度來換取效率的問題了。再來看看標簽嵌套標簽的提取情況
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
|
<!DOCTYPE html><html lang="en"><head> <meta charset="UTF-8"> <title>Title</title></head><body><div id="content"> <div id="text"> <p>hello <b> world <font color="#ffe4c4"> Python </font> </b> </p> </div></div></body></html> |
像上面這樣的一個網頁，如果我們想獲取到 hello world Python 語句，該怎么獲取呢？很明顯這是一種標簽嵌套標簽的情況，我們按照正常情況進行提取，看看結果如何
|
1
2
3
|
content = selector.xpath('//*[@id="text"]/p/text()')for each in content: print each |
運行之后，很遺憾的，只打印出了 hello 字樣，其他字符丟失了，該怎么辦呢？這種情況可以借助于 string(.)如下所示
|
1
2
3
4
|
content = selector.xpath('//*[@id="text"]/p')[0]info = content.xpath('string(.)')data = info.replace('\n','').replace(' ','')print data |
這樣就可以打印出正確內容了，至于第三行為什么存在，你可以將其去掉看看結果，到時候你自然就明白了。
Python 并行化的簡單介紹
有人說 Python 中的并行化并不是真正的并行化，但是多線程還是能夠顯著提高我們代碼的執行效率，為我們節省下來一大筆時間，下面我們就針對單線程和多線程進行時間上的比較。
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
|
# coding=utf-8import requestsfrom multiprocessing.dummy import Pool as ThreadPoolimport timedef getsource(url): html = requests.get(url)if __name__ == '__main__': urls = [] for i in range(50, 500, 50): newpage = 'http://tieba.baidu.com/f?kw=python&ie=utf-8&pn=' + str(i) urls.append(newpage) # 單線程計時 time1 = time.time() for i in urls: print i getsource(i) time2 = time.time() print '單線程耗時 : ' + str(time2 - time1) + ' s' # 多線程計時 pool = ThreadPool(4) time3 = time.time() results = pool.map(getsource, urls) pool.close() pool.join() time4 = time.time() print '多線程耗時 : ' + str(time4 - time3) + ' s' |
打印結果為
|
1
2
3
4
5
6
7
8
9
10
11
|
http://tieba.baidu.com/f?kw=python&ie=utf-8&pn=50http://tieba.baidu.com/f?kw=python&ie=utf-8&pn=100http://tieba.baidu.com/f?kw=python&ie=utf-8&pn=150http://tieba.baidu.com/f?kw=python&ie=utf-8&pn=200http://tieba.baidu.com/f?kw=python&ie=utf-8&pn=250http://tieba.baidu.com/f?kw=python&ie=utf-8&pn=300http://tieba.baidu.com/f?kw=python&ie=utf-8&pn=350http://tieba.baidu.com/f?kw=python&ie=utf-8&pn=400http://tieba.baidu.com/f?kw=python&ie=utf-8&pn=450單線程耗時 : 7.26399993896 s多線程耗時 : 2.49799990654 s |
至于以上鏈接為什么設置間隔為 50，是因為我發現在百度貼吧上沒翻一頁，pn 的值就會增加 50。 通過以上結果我們發現，多線程相比于單線程效率提升了太多太多。至于以上代碼中多線程的使用，我就不再過多講解，我相信只要接觸過 Java 的人對多線程的使用不會陌生，其實都是大差不差。沒有接觸過 Java ？那就對不起了，以上代碼請自行消化吧。
實戰 -- 爬取當當網書籍信息
一直以來都在當當網購買書籍，既然學會了如何利用 Python 爬取信息，那么首先就來爬取一下當當網中的書籍信息吧。本實戰完成之后的內容如下所示
在當當網中搜索 Java ，出現了89頁內容，我選擇爬取了前 80 頁，而且為了比較多線程和單線程的效率，我特意在這里對二者進行了比較，其中單線程爬取所用時間為 67s，而多線程僅為 15s 。
如何爬取網頁，在上面 XPath 的使用中我們也已經做了介紹，無非就是進入網頁，右擊選擇檢查，查看網頁 html 代碼，然后尋找規律，進行信息的提取，在這里就不在多介紹，由于代碼比較短，所以在這里直接上源代碼。
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
|
# coding=utf8import requestsimport reimport timefrom lxml import etreefrom multiprocessing.dummy import Pool as ThreadPoolimport sysreload(sys)sys.setdefaultencoding('utf-8')def changepage(url, total): urls = [] nowpage = int(re.search('(\d+)', url, re.S).group(1)) for i in range(nowpage, total + 1): link = re.sub('page_index=(\d+)', 'page_index=%s' % i, url, re.S) urls.append(link) return urlsdef spider(url): html = requests.get(url) content = html.text selector = etree.HTML(content) title = [] title = selector.xpath('//*[@id="component_0__0__6612"]/li/a/@title') detail = [] detail = selector.xpath('//*[@id="component_0__0__6612"]/li/p[3]/span[1]/text()') saveinfo(title,detail)def saveinfo(title, detail): length1 = len(title) for i in range(0, length1 - 1): f.writelines(title[i] + '\n') f.writelines(detail[i] + '\n\n')if __name__ == '__main__': pool = ThreadPool(4) f = open('info.txt', 'a') url = 'http://search.dangdang.com/?key=Java&act=input&page_index=1' urls = changepage(url, 80) time1 = time.time() pool.map(spider, urls) pool.close() pool.join() f.close() print '爬取成功！' time2 = time.time() print '多線程耗時 : ' + str(time2 - time1) + 's' # time1 = time.time() # for each in urls: # spider(each) # time2 = time.time() # f.close() # print '單線程耗時 : ' + str(time2 - time1) + 's' |
可見，以上代碼中的知識，我們都在介紹 XPath 和 并行化 中做了詳細的介紹，所以閱讀起來十分輕松。
好了，到今天為止，Python 爬蟲相關系列的文章到此結束，謝謝你的觀看。
