注：（此篇为切换Markdown编辑器调整了格式重发的……强迫症，原来用富文本编辑器写的太丑了）

今天第一次尝试用python写爬虫，在w3shcool学习了一下XPath，用来找结点获取内容。过程中遇到几个小问题，在这里记录一下并分享给其他初学者。本文以爬取糗事百科为例，这里用的是python2.7。

出现的问题：

• socket.error: [Errno 10054]
• xpath寻找结点的相对路径的写法

糗事百科是一个很容易爬的网站，不需要登录。热门段子的URL是：http://www.qiushibaike.com/hot/page/2/

发送请求获取html源码

直接发送请求获取网页内容就好了，page后面的数字可以用来翻页。我们先来试一试直接发送请求并输出response的内容。注意请求要设置headers的内容，可以审查元素查看需要设置的内容。

# -*- coding:utf-8 -*-
import urllib
import urllib2

page=1
url='http://www.qiushibaike.com/hot/page/'+str(page)

user_agent='Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/57.0.2987.110 Safari/537.36'
headers={'User-Agent':user_agent}

request=urllib2.Request(url,headers=headers)
response=urllib2.urlopen(request)
str_html= response.read()
response.close()

print str_html

运行没有问题，成功输出了网页源码内容。这里笔者出现一个疏忽，一开始因为没有close掉response，以至于远端主机重置了链接，出现socket.error: [Errno 10054] 。可能出现该错误的还有其他原因，具体可以参考这篇：python socket 超时设置 errno 10054

用xpath解析并找到目标结点

我们先尝试从简单的开始，把当前页面的所有段子的作者名字爬下来输出。首先先审查元素，看看页面的结构。

tree=html.fromstring(str_html)
nodes=tree.xpath('//div[@id="content-left"]/div[@class="article block untagged mb15"]')

xpath的语法可以参考w3shcool里的XPath 教程，或者其他资料。
然后我们继续看段子的内容结构，如下图：

tree=html.fromstring(str_html)
nodes=tree.xpath('//div[@id="content-left"]/div[@class="article block untagged mb15"]')
for node in nodes: 
  res_author=node.xpath('//div[@class="author clearfix"]/a[2]/h2')[0].text 
  print res_author

对于之前找到的每个段子结点，我们再找到class="author clearfix"的子div，再找到第二个a标签下的h2并获取其text内容，即可。但事实上上图是一个错误的写法，我们先运行一下看结果。

爬取所有段子的主要信息（作者，内容，点赞和评论数）

既然作者名字会爬，其他的文字信息也类似，都是用相对路径的写法找到。直接上完整代码：（本文只简单实现爬取文字内容，没有爬取图片。）

# -*- coding:utf-8 -*-
from lxml import html
import urllib
import urllib2

page=1
url='http://www.qiushibaike.com/hot/page/'+str(page)user_agent='Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/57.0.2987.110 Safari/537.36'
headers={'User-Agent':user_agent}

request=urllib2.Request(url,headers=headers)
response=urllib2.urlopen(request)
str_html= response.read()
response.close()

tree=html.fromstring(str_html)
nodes=tree.xpath('//div[@id="content-left"]/div[@class="article block untagged mb15"]')

#循环对每个段子结点进行输出
for node in nodes: 
  #解析每个段子
  res_author=node.xpath('div[@class="author clearfix"]/a[2]/h2')[0].text 
  content=node.xpath('a[@class="contentHerf"]/div[@class="content"]/span')  [0].text 
  num_vote=node.xpath('div[@class="stats"]/span[@class="stats-vote"]/i')[0].text 
  num_comments=node.xpath('div[@class="stats"]/span[@class="stats-comments"]/a[@class="qiushi_comments"]/i')[0].text 

  #输出指定内容
  print u"作者："+res_author 
  print "---------------------------------------------------------" 
  print u"内容："+content 
  print "---------------------------------------------------------" 
  print u"点赞："+num_vote+u",评论："+num_comments+"\n"

运行结果截图：

本文参考：

Python爬虫实战一之爬取糗事百科段子 | 静觅
XPath 教程