關注此頭條號“互聯網IT信息”——>私信發送 “京東html” ,即可得到源代碼的獲取方式。
幾小編分別利用Python正則表達式和BeautifulSoup爬取了京東網商品信息,今天小編利用Xpath來為大家演示一下如何實現京東商品信息的精準匹配~~
HTML文件其實就是由一組尖括號構成的標簽組織起來的,每一對尖括號形式一個標簽,標簽之間存在上下關系,形成標簽樹;XPath 使用路徑表達式在 XML 文檔中選取節點。節點是通過沿著路徑或者 step 來選取的。
京東網狗糧商品
首先進入京東網,輸入自己想要查詢的商品,向服務器發送網頁請求。在這里小編仍以關鍵詞“狗糧”作為搜索對象,之后得到后面這一串網址: https://search.jd.com/Search?keyword=%E7%8B%97%E7%B2%AE&enc=utf-8,其中參數的意思就是我們輸入的keyword,在本例中該參數代表“狗糧”,具體詳情可以參考Python大神用正則表達式教你搞定京東商品信息。所以,只要輸入keyword這個參數之后,將其進行編碼,就可以獲取到目標URL。之后請求網頁,得到響應,爾后利用bs4選擇器進行下一步的數據采集。
商品信息在京東官網上的部分網頁源碼如下圖所示:
狗糧信息在京東官網上的網頁源碼
仔細觀察源碼,可以發現我們所需的目標信息是存在<li data-sku="/*/*/*/*/*" class="gl-item">標簽下的,那么接下來我們就像剝洋蔥一樣,一層一層的去獲取我們想要的信息。
通常URL編碼的方式是把需要編碼的字符轉化為%xx的形式,一般來說URL的編碼是基于UTF-8的,當然也有的于瀏覽器平臺有關。在Python的urllib庫中提供了quote方法,可以實現對URL的字符串進行編碼,從而可以進入到對應的網頁中去。
在線復制Xpath表達式
很多小伙伴都覺得Xpath表達式很難寫,其實掌握了基本的用法也就不難了。在線復制Xpath表達式如上圖所示,可以很方便的復制Xpath表達式。但是通過該方法得到的Xpath表達式放在程序中一般不能用,而且長的沒法看。所以Xpath表達式一般還是要自己親自上手。
直接上代碼,利用Xpath去提取目標信息,如商品的名字、鏈接、圖片和價格,具體的代碼如下圖所示:
爬蟲代碼
在這里,小編告訴大家一個Xpath表達式匹配技巧。之前看過好幾篇文章,大佬們都推薦Xpath表達式使用嵌套匹配的方式。在本例中,首先定義items,如下所示:
items = selector.xpath('//li[@class="gl-item"]')
之后通過range函數,逐個從網頁中進行匹配目標信息,而不是直接通過復制Xpath表達式的方式一步到位。希望小伙伴們以后都可以少入這個坑~~
最后得到的效果圖如下所示:
最終效果圖
新鮮的狗糧再一次出爐咯~
小伙伴們,有沒有發現利用Xpath來獲取目標信息比正則表達式要簡單一些呢?
想學習更多Python網絡爬蟲與數據挖掘知識,可前往專業網站:http://pdcfighting.com/
經常使用python來讀取網頁的內容,那么會使用到的模塊是 requests,importlib。
來通過讀取網址來獲取網頁源碼 。
requests.get的兩個返回值是status_code和content。前者是返回狀態碼,后者是返回源碼內容。
代碼中使用了decode("utf-8")來解析源碼。
#!/usr/bin/python
# -*- coding:utf-8 -*-
from __future__ import print_function
import requests
import sys
#reload(sys)
#sys.setdefaultencoding("utf-8")
import importlib
importlib.reload(sys)
resp=requests.get('http://www.jd.com')
print(resp.status_code)
print(resp.content.decode("utf-8"))
*請認真填寫需求信息,我們會在24小時內與您取得聯系。