xpath是一门在XML文档中查找信息的语言
1、 节点(Node)
元素、属性、文本、命名空间、文档（根）节点
2、 节点关系
父（parent）
子 （Children）
同胞 （Sibling）
先辈 （Ancestor）
后代 （Descendant）
3、 xpath语法
| 表达式 | 描述 |
|---|---|
| nodename | 选取此节点的所有子节点 |
| // | 从任意子节点中选取（第一级） |
| / | 从根节点选取（下级） |
| . | 选取当前节点（同级） |
| … | 选取当前节点的父节点（上级） |
| @ | 选取属性 |
4、 获取信息
text()：获取文本信息
[last()-1]：倒数第二个，即最后一个 - 1
@class：选取class属性
position()<5：选取前4个
5、 解析器比较
| 解析器 | 速度 | 难度 |
|---|---|---|
| re | 最快 | 难 |
| BeautifulSoup | 慢 | 非常简单 |
| lxml | 快 | 简单 |
6、Xpath练习
from lxml import etree
import requests
html_doc = """
<html><head><title>The Dormouse's story</title></head>
<body>
<p class="title"><b>The Dormouse's story</b></p>
<p class="story">Once upon a time there were three little sisters; and their names were
<a href="http://example.com/elsie" class="sister" id="link1">Elsie</a>,
<a href="http://example.com/lacie" class="sister" id="link2">Lacie</a> and
<a href="http://example.com/tillie" class="sister" id="link3">Tillie</a>;
and they lived at the bottom of a well.</p>
<p class="story">...</p>
"""
selector = etree.HTML(html_doc)
# 取出页面内所有的链接
links = selector.xpath('//p[@class="story"]/a/@href')
for link in links:
print(link)
# 实例化一个etree选择器对象
r = requests.get('http://iguye.com/books.xml')
se = etree.HTML(r.text)
print(se.xpath('book'))
print(se.xpath('//book'))
# 选取书店下所有的书本的作者的名字
print(se.xpath('//bookstore/book/author/text()'))
# 选取书店下所有的书本的语言
print(se.xpath('//bookstore/book/title/@lang'))
# 选取书店下第一本书的标题
print(se.xpath('//bookstore/book[1]/title/text()'))
# 选取书店下最后一本书的标题
print(se.xpath('//bookstore/book[last()]/title/text()'))
# 选取书店下倒数第二本书的标题
print(se.xpath('//bookstore/book[last()-1]/title/text()'))
# 选取书店下前2本书的标题
print('前2本书',
se.xpath('//bookstore/book[position()<3]/title/text()'))
# 选取所有的分类为web的书本
print('分类为web的书本', se.xpath('//book[@category="web"]/title/text()'))
# 选取所有价格大于30.00元的书本
print('价格大于30.00元的书本', se.xpath('//book[price>35.00]/price/text()'))
# 选取所有class属性中包含book的书本的class属性
print('类名中包含book的书本', se.xpath('//book[contains(@class, "book")]/@class'))
在掌握了一定的爬虫基础之后，我们就可以使用一些框架来快速搭建起我们的爬虫程序，Scrapy就是一个非常搞笑的爬虫框架。
1、scrapy引擎工作流程
2、名词解释
Downloader (下载器)：负责下载Scrapy Engine (引擎)发送的所有Requests请求，并将其获取到的Responses交还给Scrapy Engine(引擎)， 由引擎交给Spider来处理。
Spider (爬虫) ：它负责处理所有Responses, 从中分析提取数据，获取Item字段需要的数据，并将需要跟进的URL提交给引擎，再次进入Scheduler(调度器)。
Item Pipeline(管道)：它负责处理Spider中获取到的Item,并进行进行后期处理(详细分析、过滤、存储等)的地方。
Downloader Middlewares (下载中间件)：可以当作是一一个可以自定义扩展下载功能的组件。
Spider Mi ddlewares(Spider中间件)：可以理解为是一- 个可以自定扩展和操作引擎和Spider中间通信的功能组件(比如进入Spider的Responses;和从Spider出去的Requests)。
3、制作一个Scrapy爬虫项目的步骤
1）安装Scrapy：pip install scrapy
2）创建项目：在终端输入，scrapy startproject tencentSpider，这里的项目名为tencentSpider
3）进入到项目中：cd tencentSpider
4）创建爬虫：scrapy genspider tencent career.tencent.com
这里的爬虫名为tencent，将来要访问的域名为career.tencent.com
5）运行爬虫：scrapy crawl tencent
这样一个基本的爬虫项目就完成了
4、利用Scrapy抓取数据，我们需要修改以下文件
settings.py：设置
注释了Robots协议；打开了Headers选项并设置了UA；打开了PIPELINES（用来保存文件的）
pipelines.py：保存的逻辑
tencent.py：抓取页面信息和继续跳转的设置
items.py：保存item的映射