python笔记2--lxml.etree爬取html内容

前言

本篇继续lxml.etree学习，在线访问接口，通过接口返回的html，解析出想要的text文本内容

环境准备：

python3.7

lxml

requests

定位目标

爬取我的博客首页https://www.cnblogs.com/canglongdao/侧边个人基本信息。

打开fiddler抓包，刷新我的博客首页。抓取到的接口地址如下图。

 找到该接口地址https://www.cnblogs.com/canglongdao/ajax/news.aspx 

# coding:utf-8
import requests
from lxml import etree
import urllib3
urllib3.disable_warnings()
url="https://www.cnblogs.com/canglongdao/ajax/news.aspx"
r=requests.get(url,verify=False)
#print(r.text)
a=etree.HTML(r.content.decode("utf-8"))
b=a.xpath("//*[@id='profile_block']")
#打印提取到的结果
r=etree.tostring(b[0],encoding="utf-8",pretty_print=True)
print(r.decode("utf-8"))

　运行结果

 提取内容

# coding:utf-8
import requests
from lxml import etree
import urllib3
urllib3.disable_warnings()
url="https://www.cnblogs.com/canglongdao/ajax/news.aspx"
r=requests.get(url,verify=False)
#print(r.text)
a=etree.HTML(r.content.decode("utf-8"))
b=a.xpath("//*[@id='profile_block']")
t0=b[0].xpath("text()") #获取当前节点文本元素
print(t0)
t00=t0[::2]
print(t00)
t1=b[0].xpath('a')#定位a标签的位置
print(t1)

#打印结果
for i,j in zip(t00,t1):
    ii=i.replace('
','').replace(' ','')#去掉i中的所有
,空格
    jj=j.text.replace('
','').replace(' ','')
    print(ii,jj)

　运行结果

['
        昵称：
        ', '
        ', '
        园龄：
        ', '
        ', '
        粉丝：
        ', '
        ', '
        关注：
        ', '
        ', '
        ', '
    ']
['
        昵称：
        ', '
        园龄：
        ', '
        粉丝：
        ', '
        关注：
        ', '
        ']
[<Element a at 0x163596090c8>, <Element a at 0x16359609048>, <Element a at 0x1635961ba08>, <Element a at 0x1635961b248>]
昵称： 星空6
园龄： 1年7个月
粉丝： 8
关注： 3　　

　总结

1.获取当前节点标签名称.tag

print(b[0].tag)
div

　2.获取当前节点文本

　

print(b[0].text)
昵称:

　3.获取当前节点元素全部属性dict

print(b[0].attrib)
{'id': 'profile_block'}

　4.获取当前节点某个属性

print(b[0].get("id"))
profile_block

　5.所有子节点

for i in b[0].iter():
    print(i.text)

昵称：
        

            星空6
        
None

            1年7个月
        
None

            8
        
None

            3
        
None
getFollowStatus('fe2d40f4-c531-49cf-1c8d-08d666411c36');

　6.获取当前节点下全部文本　

print(b[0].xpath('text()'))

['
        昵称：
        ', '
        ', '
        园龄：
        ', '
        ', '
        粉丝：
        ', '
        ', '
        关注：
        ', '
        ', '
        ', '
    ']

　7.获取本节点和子节点所有文本信息

print(b[0].xpath('.//text()'))

['
        昵称：
        ', '
            星空6
        ', '
        ', '
        园龄：
        ', '
            1年7个月
        ', '
        ', '
        粉丝：
        ', '
            8
        ', '
        ', '
        关注：
        ', '
            3
        ', '
        ', '
        ', "getFollowStatus('fe2d40f4-c531-49cf-1c8d-08d666411c36');", '
    ']

  8.获取父节点

　

print(b[0].getparent().tag)
div

　　

# coding:utf-8
import requests
from lxml import etree
import urllib3
urllib3.disable_warnings()
url="https://www.cnblogs.com/canglongdao/ajax/news.aspx"
r=requests.get(url,verify=False)
#print(r.text)
a=etree.HTML(r.content.decode("utf-8"))
b=a.xpath("//*[@id='profile_block']")
print(b[0].tag) #div
print(b[0].text)#昵称:
print(b[0].attrib)#{'id': 'profile_block'}
print(b[0].get("id"))#profile_block
for i in b[0].iter():
    print(i.text)
print(b[0].xpath('text()'))
print(b[0].xpath('.//text()'))
print(b[0].getparent().tag)