python——requests+xpath实现爬虫

import requests
from lxml import etree
 
def get_data(url):
    headers = {
        'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/58.0.3029.110 Safari/537.3',
        'Accept-Encoding': 'gzip, deflate, br',
    }
    res = requests.get(url, headers=headers)
    res.raise_for_status()
    res.encoding = 'utf-8'
    return res.text
 
def parse_data(html):
    html = etree.HTML(html)
    # 使用XPath表达式提取数据
    titles = html.xpath('//h2[@class="post-title"]/a/text()')
    links = html.xpath('//h2[@class="post-title"]/a/@href')
    return list(zip(titles, links))
 
def main():
    url = "https://www.cnblogs.com/#p"
    html = get_data(url)
    data = parse_data(html)
    for title, link in data:
        print(f"标题: {title}, 链接: {link}")
 
if __name__ == "__main__":
    main()

这段代码实现了一个简单的网络爬虫，它从博客园的首页提取文章标题和链接。首先定义了get_data函数来发送HTTP请求，获取网页内容；然后定义了parse_data函数使用XPath解析HTML内容；最后在main函数中调用这两个函数，并打印结果。这个例子展示了如何使用requests库获取网页内容以及如何使用lxml.etree模块和XPath解析HTML结构的数据。