點(diǎn)擊上方“Python爬蟲與數(shù)據(jù)挖掘”，進(jìn)行關(guān)注

回復(fù)“書籍”即可獲贈Python從入門到進(jìn)階共10本電子書

大家好，我是霖hero。

前言

可能有人說，初學(xué)者Python爬蟲爬數(shù)據(jù)太難啦，構(gòu)造正則表達(dá)式的時(shí)候，太煩瑣了，眼睛都看花了，而且前一秒還可以愉快地爬取，下一秒IP就被封了，這還爬個(gè)屁啊，不爬了。哎，不要著急，這篇文章我們教你如何使用XPath來爬取快代理中的免費(fèi)代理IP，告別眼花，告別IP被封的煩惱。

XPath

首先我們來簡單了解一下XPath，想要了解更多XPath，我們可以打開W3school官方文檔進(jìn)行了解。

什么是 XPath?

• XPath是XML路徑語言（XML Path Language）；
• XPath 使用路徑表達(dá)式在 XML 文檔中進(jìn)行導(dǎo)航；
• XPath 包含一個(gè)標(biāo)準(zhǔn)函數(shù)庫；
• XPath 是 XSLT 中的主要元素；
• XPath 是一個(gè) W3C 標(biāo)準(zhǔn)；

XPath作用是什么？

• XPath用來確定XML文檔中某部分位置的語言
• XPath在XML文檔中查找信息的語言
• XPath用于在XML文檔中通過元素和屬性進(jìn)行導(dǎo)航。

XPath 含有超過 100 個(gè)內(nèi)建的函數(shù)。這些函數(shù)用于字符串值、數(shù)值、日期和時(shí)間比較、節(jié)點(diǎn)和 QName 處理、序列處理、邏輯值等等。在Python爬蟲中，我們完成可以使用XPath來做相應(yīng)的信息抽取。

XPath——常用規(guī)則

簡單了解一下XPath后，我們來看看它的常用規(guī)則，如下表：

我們來簡單說一個(gè)示例：

//title[@*]

這就是一個(gè)XPath規(guī)則，它代表選擇選取所有帶有屬性的 title 元素。

好了，大概了解了XPath的常用規(guī)則和用法了，我們來添加一個(gè)Chrome瀏覽器的小插件——XPath Helper，這個(gè)小插件可以大大提高了我們使用XPath的效率。

XPath Helper的添加與使用

XPath Helper的添加

首先打開Chrome商店搜索XPath Helper，如下圖所示：

點(diǎn)擊方框2，將插件添加至Chrome中，如下圖所示：

這里我們推薦點(diǎn)擊下圖的小圖釘，更方便我們使用XPath Helper插件

這樣XPath Helper插件就添加完畢了，接下來我們簡單演示一下如何使用該插件。

XPath Helper的使用

首先我們打開今天要爬取的快代理網(wǎng)站并打開開發(fā)者工具，找到我們要爬取內(nèi)容的節(jié)點(diǎn)，如下圖所示：

然后打開我們添加的插件，并輸入XPath規(guī)則，如下圖所示：

我們根據(jù)了table節(jié)點(diǎn)信息，來構(gòu)造了XPath規(guī)則，輸入XPath規(guī)矩可以直接看到返回的是什么，這樣我們就不需要每構(gòu)成一次就在程序里運(yùn)行看看能不能返回我們想要的值，這樣大大提高我們的效率。

實(shí)戰(zhàn)演練

爬取首頁

我們首先打開快代理免費(fèi)代理網(wǎng)站并打開開發(fā)者工具，如下圖所示：

通過觀察可以發(fā)現(xiàn)，頁面的URL最后的那個(gè)數(shù)字就是頁碼，也就是我們進(jìn)行翻頁的重要參數(shù)，這里我們使用了page變量為我們翻頁的參數(shù)，具體代碼如下：

headers={
    'User-Agent':'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/91.0.4472.106 Safari/537.36'
}
def get_page(page):
    url='https://www.kuaidaili.com/free/inha/'+str(page)
    response=requests.get(url,headers=headers)
    #數(shù)據(jù)類型轉(zhuǎn)換
    html = parsel.Selector(response.text)
    parse_page(html)

首先我們構(gòu)造了一個(gè)請求頭，然后定義了一個(gè)get_page()方法，這里要注意的是，當(dāng)我們獲取了請求頁面的文本數(shù)據(jù)時(shí)，要進(jìn)行數(shù)據(jù)類型的轉(zhuǎn)換，轉(zhuǎn)換為XPath可以查找信息的HTML文本，也就是創(chuàng)建了一個(gè)parsel.Selector對象，轉(zhuǎn)換后，我們就調(diào)用parse_page()方法，并傳入html參數(shù)。

XPath規(guī)則提取內(nèi)容

我們已經(jīng)成功提取了網(wǎng)頁的HTML文本，接下來我們開始利用XPath規(guī)則來提取想要的內(nèi)容，首先我們要確定XPath規(guī)則提取內(nèi)容的范圍，如下圖所示：

從圖中我們可以看到table節(jié)點(diǎn)里包含我們要提取內(nèi)容，然后我們使用XPath Helper插件來方便我們確定是否能準(zhǔn)確提取目標(biāo)內(nèi)容，如下圖所示：

圖中的方框就是我們要提取內(nèi)容的范圍，確定范圍后，我們確定提取內(nèi)容對應(yīng)的XPath規(guī)則，如下圖所示：

好了，我們成功提取到了IP地址，經(jīng)過觀察，我們只要把圖中左上角的方框中IP改為PORT，這樣就可以提取到了端口號了，具體實(shí)現(xiàn)代碼如下：

def parse_page(html):
    #XPath的匹配范圍
    parse_list = html.xpath('//table[@class="table table-bordered table-striped"]/tbody/tr')
    for tr in parse_list:
        parse_lists = {}

        http=tr.xpath('./td[@data-title="類型"]//text()').extract_first()
        num=tr.xpath('./td[@data-title="IP"]//text()').extract_first()
        port=tr.xpath('./td[@data-title="PORT"]//text()').extract_first()
        parse_lists[http]=num+':'+port
        time.sleep(0.1)
        print(parse_lists)

要注意的是：

• 我們在構(gòu)造XPath規(guī)則時(shí)，如：//td[@data-title="IP"]，我們要將最前面的/改為.，否則只匹配頁面的第一個(gè)內(nèi)容；
• 在XPath規(guī)則中，通過使用text()方法獲取節(jié)點(diǎn)內(nèi)部的文本，如在規(guī)則后面加//text()；
• 調(diào)用extract_first()返回的是一個(gè)string字符串，是list數(shù)組里面的第一個(gè)字符串。

最后我們通過構(gòu)造一個(gè)parse_lists字典，來使我們的數(shù)據(jù)更好看。

循環(huán)遍歷

我們使用一個(gè)for循環(huán)，來遍歷翻頁，具體代碼為：

if __name__ == '__main__':
    for page in range(1,3):
        get_page(page)

好了，這樣我們就成功爬取了快代理的免費(fèi)代理IP的前兩頁，我們可以根據(jù)需要來進(jìn)行保存免費(fèi)代理IP。

結(jié)果展示

代碼獲取