案例：使用XPath的的爬虫

案例：使用XPath的爬虫

现在我们用XPath来做一个简单的爬虫，我们尝试爬取某个贴吧里的所有帖子，并且将该这个帖子里每个楼层发布的图片下载到本地。

# tieba_xpath.py#!/usr/bin/env python# -*- coding:utf-8 -*-import osimport urllibimport urllib2from lxml import etreeclass Spider:    def __init__(self):        self.tiebaName = raw_input("请需要访问的贴吧：")        self.beginPage = int(raw_input("请输入起始页："))        self.endPage = int(raw_input("请输入终止页："))        self.url = 'http://tieba.baidu.com/f'        self.ua_header = {"User-Agent" : "Mozilla/5.0 (compatible; MSIE 9.0; Windows NT 6.1 Trident/5.0;"}        # 图片编号        self.userName = 1    def tiebaSpider(self):        for page in range(self.beginPage, self.endPage + 1):            pn = (page - 1) * 50 # page number            word = {'pn' : pn, 'kw': self.tiebaName}            word = urllib.urlencode(word) #转换成url编码格式（字符串）            myUrl = self.url + "?" + word            # 示例：http://tieba.baidu.com/f? kw=%E7%BE%8E%E5%A5%B3 & pn=50            # 调用 页面处理函数 load_Page            # 并且获取页面所有帖子链接,            links = self.loadPage(myUrl)  # urllib2_test3.py    # 读取页面内容    def loadPage(self, url):        req = urllib2.Request(url, headers = self.ua_header)        html = urllib2.urlopen(req).read()        # 解析html 为 HTML 文档        selector=etree.HTML(html)        #抓取当前页面的所有帖子的url的后半部分，也就是帖子编号        # http://tieba.baidu.com/p/4884069807里的 “p/4884069807”        links = selector.xpath('//div[@class="threadlist_lz clearfix"]/div/a/@href')        # links 类型为 etreeElementString 列表        # 遍历列表，并且合并成一个帖子地址，调用 图片处理函数 loadImage        for link in links:            link = "http://tieba.baidu.com" + link            self.loadImages(link)    # 获取图片    def loadImages(self, link):        req = urllib2.Request(link, headers = self.ua_header)        html = urllib2.urlopen(req).read()        selector = etree.HTML(html)        # 获取这个帖子里所有图片的src路径        imagesLinks = selector.xpath('//img[@class="BDE_Image"]/@src')        # 依次取出图片路径，下载保存        for imagesLink in imagesLinks:            self.writeImages(imagesLink)    # 保存页面内容    def writeImages(self, imagesLink):        '''            将 images 里的二进制内容存入到 userNname 文件中        '''        print imagesLink        print "正在存储文件 %d ..." % self.userName        # 1. 打开文件，返回一个文件对象        file = open('./images/' + str(self.userName)  + '.png', 'wb')        # 2. 获取图片里的内容        images = urllib2.urlopen(imagesLink).read()        # 3. 调用文件对象write() 方法，将page_html的内容写入到文件里        file.write(images)        # 4. 最后关闭文件        file.close()        # 计数器自增1        self.userName += 1# 模拟 main 函数if __name__ == "__main__":    # 首先创建爬虫对象    mySpider = Spider()    # 调用爬虫对象的方法，开始工作    mySpider.tiebaSpider()