手把手教你使用XPath爬取免費(fèi)代理IP
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 包含一個標(biāo)準(zhǔn)函數(shù)庫;
- XPath 是 XSLT 中的主要元素;
- XPath 是一個 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、日期和時間比較、節(jié)點和 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：
我們來簡單說一個示例：
- //title[@*]
這就是一個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Chrome瀏覽器的小插件——XPath Helper，這個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：
點擊方框2，將插件添加至Chrome中，如下圖所示：
這里我們推薦點擊下圖的小圖釘，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，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)造了一個請求頭，然后定義了一個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，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，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內(nèi)容;
- 在XPath規(guī)則中，通過使用text()方法獲取節(jié)點內(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string字符串，是list數(shù)組里面的第一個字符串。
最后我們通過構(gòu)造一個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
