【Python | 边学边敲边记】第五次：Xpath实战训练

一、前言

    本系列上一篇【Python | 边学边敲边记】第四次：初识爬虫框架Scrapy中已经讲到了如何创建一个基于Scrapy的项目，并在项目中添加子项[上一讲中我们创建了jobbole这个子项]。
    今天给大家分享的是，如何在cmd和pycharm中启动自己的spider以及Xpath的基本介绍，并利用Xpath抓取伯乐在线单篇文章基本信息。

二、Xpath介绍

1. 维基百科看 Xpath

XPath即为XML路径语言（XML Path Language），它是一种用来确定XML文档中某部分位置的语言。
XPath基于XML的树状结构，提供在数据结构树中找寻节点的能力。起初XPath的提出的初衷是将其作
为一个通用的、介于XPointer与XSL间的语法模型。但是XPath很快的被开发者采用来当作小型查询
语言。

2.我来扯扯Xpath

1. Xpath使用路径表达式在xml和html中进行导航（据说访问速度、效率比bs4快）
2. Xpath包含标准函数库
3. Xpah是一个W3c的标准

3.Xpath基本使用语法

语法表01

语法表0

语法表03

三、看代码，边学边敲边记

1.在cmd下启动我们的Scrapy项目子项---jobbole

(1)快速进入虚拟环境(设置方法见上一篇)

C:\Users\82055\Desktop>workon spiderenv

(2)进入到项目目录

(spiderenv) C:\Users\82055\Desktop>H:
(spiderenv) H:\env\spiderenv>cd H:\spider_project\spider_bole_blog\spider_bole_blog

(3)输入spider命令(格式：scrapy crawl 子项的name)

(spiderenv) H:\spider_project\spider_bole_blog\spider_bole_blog>scrapy crawl jobbole

(4)如果是win系统，可能会出现下面错误

<module>
    from twisted.internet import _win32stdio
  File "h:\env\spiderenv\lib\site-packages\twisted\internet\_win32stdio.py", line 9, in <module>
    import win32api
ModuleNotFoundError: No module named 'win32api'

(5)解决方法：安装 pypiwin32模块（采用豆瓣源安装）

# 虚拟环境中
pip install -i https://pypi.douban.com/simple pypiwin32

(6)再次执行spider命令

(spiderenv) H:\spider_project\spider_bole_blog\spider_bole_blog>scrapy crawl jobbole
2018-08-23 23:42:01 [scrapy.utils.log] INFO: Scrapy 1.5.1 started (bot: spider_bole_blog)
···
2018-08-23 23:42:04 [scrapy.core.engine] INFO: Closing spider (finished)
2018-08-23 23:42:04 [scrapy.statscollectors] INFO: Dumping Scrapy stats:
{'downloader/request_bytes': 440,
 'downloader/request_count': 2,
 'downloader/request_method_count/GET': 2,
 'downloader/response_bytes': 21919,
 'downloader/response_count': 2,
 'downloader/response_status_count/200': 2,
 'finish_reason': 'finished',
 'finish_time': datetime.datetime(2018, 8, 23, 15, 42, 4, 695188),
 'log_count/DEBUG': 3,
 'log_count/INFO': 7,
 'response_received_count': 2,
 'scheduler/dequeued': 1,
 'scheduler/dequeued/memory': 1,
 'scheduler/enqueued': 1,
 'scheduler/enqueued/memory': 1,
 'start_time': datetime.datetime(2018, 8, 23, 15, 42, 2, 770906)}
2018-08-23 23:42:04 [scrapy.core.engine] INFO: Spider closed (finished)

2.在`Pycharm`下启动我们的Scrapy项目子项---jobbole

(1)打开项目，在项目根目录下新建一个main.py,用于调试代码。
(2)在main.py中输入下面内容

'''
author : 极简XksA
data : 2018.8.22
goal : 调试模块
'''
import sys
import os
# 导入执行spider命令行函数
from scrapy.cmdline import execute
# 获取当前项目目录，添加到系统中
# 方法一:直接输入，不便于代码移植
#(比如小明和小红的项目路径可能不一样，那么小明的代码想在小红的电脑上运行,
# 路径就要手动改了，python怎么能这么麻烦呢，请看方法二)
# sys.path.append("H:\spider_project\spider_bole_blog\spider_bole_blog")
# 方法二：代码获取，灵活，代码移植也不影响
# print(os.path.dirname(os.path.abspath(__file__)))
# result : H:\spider_project\spider_bole_blog\spider_bole_blog
# 获取当前项目路径，添加到系统中
sys.path.append(os.path.dirname(os.path.abspath(__file__)))
# 执行spider命令
execute(['scrapy','crawl','jobbole'])

(3)修改setting.py文件设置，将ROBOTSTXT_OBEY值改为False,默认为True或者被注释掉了,文件中注释解释内容：Obey robots.txt rules，表示我们的spider的网址必须要遵循robots协议，不然会直接被过滤掉，所以这个变量的属性值必须设置为Fal0se哦！

# 大概是第21-22行,ROBOTSTXT_OBEY默认值为True
# 修改为False,如下：
# Obey robots.txt rules
ROBOTSTXT_OBEY = False

(4)直接运行测试文件main.py,运行结果和上面在cmd是一样的。
(5)在jobbole.py中的的parse函数中加一个断点，然后Debug模式运行测试文件main.py
断点设置：

断点设置

debug结果分析：

debug结果分析

3.编写`jobbole.py`中的的`parse`函数，利用Xpath获取网页内容

(1)为了简单起见，我随便选取了一篇文章《Linux 内核 Git 历史记录中，最大最奇怪的提交信息是这样的》。
(2)把start_urls的属性值改为http://blog.jobbole.com/114256/,使spider从当前文章开始爬起来。

start_urls = ['http://blog.jobbole.com/114256/']

(3)网页中分析并获取文章标题Xpath路径

页面分析

在FireFox浏览器下按F12进入开发者模式，选择查看器左边的选取图标功能，然后将鼠标移动到标题处，在查看器中会自动为我们找到源码中标题的位置，如上图分析，标题应该在html下的body中的第一个div中的第三个div中的第一个div中的第一个div中的h1标签中，那么Xpath路径即为：

/html/body/div[1]/div[3]/div[1]/div[1]/h1

是不是感觉到很复杂，哈哈哈，不用灰心，其实分析起来挺简单的，另外我们还有更简单的方法获取Xpath,当我们在查看器重找到我们要的内容后，直接右键，即可复制我们想要的内容的Xpath路径了。

页面复制Xpath

(4)修改jobbole.py中的的parse函数,运行打印出文章标题

# scrapy 的 response里面包含了xpath方法，可以直接用调用，返回值为Selector类型
# Selector库中有个方法extract(),可以获取到data数据
def parse(self, response):
    # firefox 浏览器返回的Xpath
    re01_selector = response.xpath('/html/body/div[1]/div[3]/div[1]/div[1]/h1/text()')
    # chrome 浏览器返回的Xpath
    re02_selector = response.xpath('//*[@id="post-114256"]/div[1]/h1/text()')
    re01_title = re01_selector.extract()
    re02_title = re02_selector.extract()
    print('xpath返回内容：'+str(re01_selector))
    print('firefox返回文章标题为：' + re01_title)
    print('chrome返回文章标题为：' + re02_title)

运行结果：

# 观察结果发现Xpath返回的Selector对象值包括 xpath路径和data数据
xpath返回内容：[<Selector xpath='/html/body/div[1]/div[3]/div[1]/div[1]/h1/text()'
data='Linux 内核 Git 历史记录中，最大最奇怪的提交信息是这样的'>]
firefox返回文章标题为：Linux 内核 Git 历史记录中，最大最奇怪的提交信息是这样的
chrome返回文章标题为：Linux 内核 Git 历史记录中，最大最奇怪的提交信息是这样的

从上面可以看出，FireFox和Chorme获取到的Xpath是不一样的，but实际返回的东西是一样的，只是用了不同的语法,我这里说明的意思是想告诉大家：Xpath的表达方式不止一种，可能某个内容的Xpath有两种或者更多，大家觉得怎么好理解就使用哪一个。
(5)我们继续获取其他数据（复习巩固一下Xpath的用法）
为了快速、有效率的调式数据，给大家推荐一种方法：

# cmd 虚拟环境中输入: scrapy shell 你要调试的网址
scrapy shell http://blog.jobbole.com/114256/

这样在cmd中就能保存我们的访问内容，可以直接在cmd下进行调试，不用在pycharm中每调试一个数据，就运行一次，访问一次页面，这样效率是非常低的。

• 获取文章发布时间

>>> data_r = response.xpath('//p[@class="entry-meta-hide-on-mobile"]/text()')
>>> data_r.extract()
['\r\n\r\n            2018/08/08 ·  ', '\r\n            \r\n            \r\n\r\n            \r\n             ·  ', ', ', '\r\n            \r\n']
>>> data_r.extract()[0].strip()
'2018/08/08 ·'
>>> data_str = data_r.extract()[0].strip()
>>> data_str.strip()
'2018/08/08 ·'
>>> data_str.replace('·','').strip()
'2018/08/08'
# data_selector = response.xpath('//p[@class="entry-meta-hide-on-mobile"]/text()')
# data_str = data_selector.extract()[0].strip()
# data_time = data_str.replace('·','').strip()

• 获取文章点赞数、收藏数和评论数

# 点赞数
>>> praise_number = response.xpath('//h10[@id="114256votetotal"]/text()')
>>> praise_number
[<Selector xpath='//h10[@id="114256votetotal"]/text()' data='1'>]
>>> praise_number = int(praise_number.extract()[0])
>>> praise_number
1
# praise_number = int(response.xpath('//h10[@id="114256votetotal"]/text()').extract()[0])

# 收藏数
>>> collection_number = response.xpath('//span[@data-book-type="1"]/text()')
>>> collection_number
[<Selector xpath='//span[@data-book-type="1"]/text()' data=' 1 收藏'>]
>>> collection_number.extract()
[' 1 收藏']
>>> collection_word = collection_number.extract()[0]
>>> import re
>>> reg_str = '.*(\d+).*'
>>> re.findall(reg_str,collection_word)
['1']
>>> collection_number = int(re.findall(reg_str,collection_word)[0])
>>> collection_number
1
# collection_str = response.xpath('//span[@data-book-type="1"]/text()').extract()[0]
# reg_str = '.*(\d+).*'
# collection_number = int(re.findall(reg_str,collection_word)[0])

# 评论数
>>> comment_number = response.xpath('//span[@class="btn-bluet-bigger href-style hide-on-480"]/text()')
>>> comment_number
[<Selector xpath='//span[@class="btn-bluet-bigger href-style hide-on-480"]/text()' data='  评论'>]
>>> comment_number.extract()[0]
'  评论'
# 由于我选的这篇文章比较新，还没有评论，哈哈哈。。。
# 如果有的话，后面和上面获取收藏数是一样的方法(正则匹配)。

上是在cmd中的测试过程，可以看出来，我基本上都是用的都是//span[@data-book-type="1"]这种格式的Xpath,而非像FireFox浏览器上复制的Xpath,原因有两点：

1.从外形来看，显然我使用的这种Xpath要更好，至少长度上少很多(特别对于比较深的数据，如果像
`FireFox`这种，可能长度大于100也不奇怪)
2.从性能上来看，我是用的这种形式匹配更加准确，如果莫个页面包含js加载的数据（也包含div,p,a
等标签），如果我们直接分析`FireFox`这种Xpath，可能会出错。

建议：
(1)决心想学好的，把本文二中的Xpath语法好好记一下，练习一下；
(2)爬取网页抓取数据尽量用谷歌浏览器。

3.现在`jobbole.py`中的代码及运行结果

代码：

# -*- coding: utf-8 -*-
import scrapy
import re

class JobboleSpider(scrapy.Spider):
    name = 'jobbole'
    allowed_domains = ['blog.jobbole.com']
    start_urls = ['http://blog.jobbole.com/114256/']

    def parse(self, response):
        # 标题
        # chrome 浏览器返回的Xpath
        re01_seletor = response.xpath('//*[@id="post-114256"]/div[1]/h1/text()')
        re01_title = re01_seletor.extract()
        # 发布日期
        data_selector = response.xpath('//p[@class="entry-meta-hide-on-mobile"]/text()')
        data_str = data_selector.extract()[0].strip()
        data_time = data_str.replace('·','').strip()
        # 点赞数
        praise_number = int(response.xpath('//h10[@id="114256votetotal"]/text()').extract()[0])
        # 收藏数
        collection_str = response.xpath('//span[@data-book-type="1"]/text()').extract()[0]
        reg_str = '.*(\d+).*'
        collection_number = int(re.findall(reg_str,collection_str)[0])
        print("文章标题："+re01_title[0])
        print("发布日期："+data_time)
        print("点赞数："+str(praise_number))
        print("收藏数："+str(collection_number))

运行结果：

文章标题：Linux 内核 Git 历史记录中，最大最奇怪的提交信息是这样的
发布日期：2018/08/08
点赞数：1
收藏数：2

四、后言

学完这一期，大家应该能感受到爬虫的诱惑了哈，虽然现在我们还只是爬取的一个页面的文章标题等基本数据，最重要的是学会如何在cmd和pycharm中启动我们的爬虫项目和Xpath的学习，下一期，我将带大家使用CSS选择器，看看那个更好用，哈哈哈！

另外，X先生上一篇微信推文【Python | X先生】从00-90后的微信昵称，发现如下规律。。。投稿到各个平台，两天时间累积阅读量超过5万啦，公号读者也涨了不少，也认识了很多公号大佬，为了感谢大家，我已经联系了不正经程序员和从零开始学爬虫准备开展一次赠书活动，大家可以留言说说看有什么想要的书籍，指不定过几天就神奇的到你手上了哦！

往期精彩

觉得这篇文章还可以就帮忙点个赞，转发一下，谢谢。
欢迎大家关注微信公众号：极简XksA,获取Python/Java/前端等学习资源！

极简XksA

如果你还差个英文名，来这里