数据提取----xpath

image.png

我是为了把图片中那个菜单的所有文字内容以及二级菜单等等全部提取出来,并且提取出中间的所有超链接,并且整合成一个csv文件

我这里面用到了python的字符串分割以及组合,因为有一些爬取的字符串里面会有一些类似\n或者很多空格,所以会对字符串进行一个分割提取再整合拼接

import os
from lxml import etree
import pandas as pd
import csv
import codecs

csvFile = codecs.open('csvData.csv','w','utf-8')
# csvFile = open("csvData.csv", "w")  # 创建csv文件
writer = csv.writer(csvFile)  # 创建写的对象
writer.writerow(["id", "button_name", "info_name", "info_url"])  # 写入列的名称
temp = []
filenames = os.listdir('./htmldata/')
for filename in filenames:
    filename = './htmldata/' + filename
    f = open(filename, 'r', encoding='utf-8')
    data = f.read()
    selector = etree.HTML(data)
    id = selector.xpath('/html/body/div[2]/div[3]/div[1]/div[2]/div[3]/div[1]/div[1]/div[2]/span/span/span[2]/text()')[
        0]
    # print(id)
    buttons = selector.xpath('//*[@id="accordion"]/div[@class="panel panel-default"]')
    # 遍历按钮,得到每一个按钮的名称
    # buttons ---- 按钮组的xpath
    # button ---- 按钮的xpath
    # button_info ---- 按钮名称的列表
    # button_name ---- 按钮名称
    for button in buttons:
        button_info = button.xpath('./div[@class="panel-heading mim-panel-heading"]/span/span/a/text()')
        button_name = button_info[1]
        button_name = button_name.replace('\n', '')
        button_name = button_name.replace(' ', '')
        if button_name == '':
            button_info = button.xpath('./div[@class="panel-heading mim-panel-heading"]/span/span/a/div/div[2]/text()')
            button_name = button_info[0]
        # print('-', button_name)

        # 下面的代表这个按钮下面的标签名称以及链接
        # 按钮下面的a标签有的放在div下面,有的放在dd标签下,所以进行两次,第一次是遍历div,第二次是遍历dd
        # infos_div ---- 按钮下面a标签组的xpath

        infos_div = button.xpath('./div[2]/div[@class="panel-body small mim-panel-body"]/div')
        for info in infos_div:
            info_id = info.xpath('./@id')

            if info_id:
                continue

            info_name = info.xpath('./a/text()')[0]
            info_url = info.xpath('./a/@href')[0]

            if '#' == info_url[0]:
                continue
            # print('--', info_name, info_url)
            writer.writerow([id, button_name, info_name, info_url])

        infos_dd = button.xpath('./div[2]/div[@class="panel-body small mim-panel-body"]/dd')
        for info in infos_dd:
            info_name = info.xpath('./a/text()')[0]
            info_url = info.xpath('./a/@href')[0]
            # print('--', info_name, info_url)
            writer.writerow([id, button_name, info_name, info_url])

csvFile.close()



©著作权归作者所有,转载或内容合作请联系作者
  • 序言:七十年代末,一起剥皮案震惊了整个滨河市,随后出现的几起案子,更是在滨河造成了极大的恐慌,老刑警刘岩,带你破解...
    沈念sama阅读 214,444评论 6 496
  • 序言:滨河连续发生了三起死亡事件,死亡现场离奇诡异,居然都是意外死亡,警方通过查阅死者的电脑和手机,发现死者居然都...
    沈念sama阅读 91,421评论 3 389
  • 文/潘晓璐 我一进店门,熙熙楼的掌柜王于贵愁眉苦脸地迎上来,“玉大人,你说我怎么就摊上这事。” “怎么了?”我有些...
    开封第一讲书人阅读 160,036评论 0 349
  • 文/不坏的土叔 我叫张陵,是天一观的道长。 经常有香客问我,道长,这世上最难降的妖魔是什么? 我笑而不...
    开封第一讲书人阅读 57,363评论 1 288
  • 正文 为了忘掉前任,我火速办了婚礼,结果婚礼上,老公的妹妹穿的比我还像新娘。我一直安慰自己,他们只是感情好,可当我...
    茶点故事阅读 66,460评论 6 386
  • 文/花漫 我一把揭开白布。 她就那样静静地躺着,像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上,一...
    开封第一讲书人阅读 50,502评论 1 292
  • 那天,我揣着相机与录音,去河边找鬼。 笑死,一个胖子当着我的面吹牛,可吹牛的内容都是我干的。 我是一名探鬼主播,决...
    沈念sama阅读 39,511评论 3 412
  • 文/苍兰香墨 我猛地睁开眼,长吁一口气:“原来是场噩梦啊……” “哼!你这毒妇竟也来了?” 一声冷哼从身侧响起,我...
    开封第一讲书人阅读 38,280评论 0 270
  • 序言:老挝万荣一对情侣失踪,失踪者是张志新(化名)和其女友刘颖,没想到半个月后,有当地人在树林里发现了一具尸体,经...
    沈念sama阅读 44,736评论 1 307
  • 正文 独居荒郊野岭守林人离奇死亡,尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 37,014评论 2 328
  • 正文 我和宋清朗相恋三年,在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 39,190评论 1 342
  • 序言:一个原本活蹦乱跳的男人离奇死亡,死状恐怖,灵堂内的尸体忽然破棺而出,到底是诈尸还是另有隐情,我是刑警宁泽,带...
    沈念sama阅读 34,848评论 5 338
  • 正文 年R本政府宣布,位于F岛的核电站,受9级特大地震影响,放射性物质发生泄漏。R本人自食恶果不足惜,却给世界环境...
    茶点故事阅读 40,531评论 3 322
  • 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹,春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 31,159评论 0 21
  • 文/苍兰香墨 我抬头看了看天上的太阳。三九已至,却和暖如春,着一层夹袄步出监牢的瞬间,已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 32,411评论 1 268
  • 我被黑心中介骗来泰国打工, 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留,地道东北人。 一个月前我还...
    沈念sama阅读 47,067评论 2 365
  • 正文 我出身青楼,却偏偏与公主长得像,于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子,可洞房花烛夜当晚...
    茶点故事阅读 44,078评论 2 352

推荐阅读更多精彩内容

  • XPath语法和lxml模块 什么是XPath? xpath(XML Path Language)是一门在XML和...
    徐弱西阅读 925评论 0 1
  • xpath xpath(XML Path Language)是一门在XML和HTML文档中查找信息的语言,可用来在...
    何惧l阅读 1,349评论 0 1
  • 个人学习批处理的初衷来源于实际工作;在某个迭代版本有个BS(安卓手游模拟器)大需求,从而在测试过程中就重复涉及到...
    Luckykailiu阅读 4,712评论 0 11
  • 一、Python简介和环境搭建以及pip的安装 4课时实验课主要内容 【Python简介】: Python 是一个...
    _小老虎_阅读 5,737评论 0 10
  • —— 字符串操作—— (1)S.capitalize() 作用:将字符串的第一个字母变成大写,其他字...
    可爱叽叽阅读 637评论 0 0