盘点一个Python网络爬虫实战问题

2022年9月8日 267点热度 0人点赞 0条评论

文章：Python爬虫与数据挖掘

作者：Python进阶者

前言

前几天在Python钻石交流群【海南菜同学】问了一个Python网络爬虫的选择器提取问题，下图是截图：

代码初步看上去好像没啥问题，但是结果就是不对。

from lxml import etreeimport requestsurl = "http://zw.hainan.gov.cn/wssc/emalls.html"headers = {    "User-Agent": "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/86.0.4240.198 Safari/537.36"}html = requests.get(url,headers=headers)html = html.content.decode('utf-8')doc = etree.HTML(html)res = doc.xpath('/html/body/div[5]/ul/text()')print('*-*--'*20)for item in res:    print(type(item))    print(item[0])
print('*-*--'*20)

初步判断是xpath写得有问题。

实现过程

这里【猫药师Kelly】确认了需求，如下所示：

修改提取规则，运行之后可以顺利得到预期的文本：

运行之后，可以得到想要的结果：

后来粉丝就顺利地解决了，代码如下所示：

from lxml import etreeimport requestsurl = "http://zw.hainan.gov.cn/wssc/emalls.html"headers = {    "User-Agent": "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/86.0.4240.198 Safari/537.36"}html = requests.get(url,headers=headers)html = html.content.decode('utf-8')doc = etree.HTML(html)res = doc.xpath('.//div/ul/li/a[2]/text()')print('*-*--'*20)for item in res:    print(type(item))    print(item)
print('*-*--'*20)