datawhale爬虫task-2之Xpath

2.2 Task4 学习xpath

1. 学习xpath，使用lxml+xpath提取内容。

1. 使用xpath提取丁香园论坛的回复内容。

1. 丁香园直通点：http://www.dxy.cn/bbs/thread/626626#626626 。

1. 参考资料：https://blog.csdn.net/naonao77/article/details/88129994

 使用xpath提取丁香园论坛的回复内容

1，xpath简介

XPath 是一门在 XML 文档中查找信息的语言。XPath 用于在 XML 文档中通过元素和属性进行导航。

在 XPath 中，有七种类型的节点：元素、属性、文本、命名空间、处理指令、注释以及文档（根）节点。XML 文档是被作为节点树来对待的。树的根被称为文档节点或者根节点。

选取节点

XPath 使用路径表达式在 XML 文档中选取节点。节点是通过沿着路径或者 step 来选取的。 下面列出了最有用的路径表达式：

表达式	描述
nodename	选取此节点的所有子节点。
/	从根节点选取。
//	从匹配选择的当前节点选择文档中的节点，而不考虑它们的位置。
.	选取当前节点。
..	选取当前节点的父节点。
@	选取属性。

 2，安装lxml

anaconda中已经包含lxml包，可以直接import

3，创建对象

tree= etree.HTML(r.text)

4，获取用户名和评论内容

user=tree.xpath('//div[@class="auth"]/a/text()')
content=tree.xpath('//td[@class="postbody"]')

---

源码:(暂无登陆）

from lxml import etree
import requests

url="http://www.dxy.cn/bbs/thread/626626#626626 "
r=requests.get(url)
r.text.encode('utf').decode('utf-8')
tree= etree.HTML(r.text)
user=tree.xpath('//div[@class="auth"]/a/text()')
content=tree.xpath('//td[@class="postbody"]')
result=[]
for i in range(0,len(user)):
    result.append(user[i].strip()+":"+content[i].xpath('string(.)').strip())
for i in range(0,len(result)):
    print(result[i])

结果：

楼医生:我遇到一个“怪”病人，向大家请教。她，42岁。反复惊吓后晕厥30余年。每次受响声惊吓后发生跌倒，短暂意识丧失。无逆行性遗忘，无抽搐，无口吐白沫，无大小便失禁。多次跌倒致外伤。婴儿时有惊厥史。入院查体无殊。ECG、24小时动态心电图无殊；头颅MRI示小软化灶；脑电图无殊。入院后有数次类似发作。请问该患者该做何诊断，还需做什么检查，治疗方案怎样？
lion000:从发作的症状上比较符合血管迷走神经性晕厥，直立倾斜试验能协助诊断。在行直立倾斜实验前应该做常规的体格检查、ECG、UCG、holter和X-ray胸片除外器质性心脏病。贴一篇“口服氨酰心安和依那普利治疗血管迷走性晕厥的疗效观察”作者：林文华 任自文 丁燕生http://www.ccheart.com.cn/ccheart_site/Templates/jieru/200011/1-1.htm
xghrh:同意lion000版主的观点：如果此患者随着年龄的增长，其发作频率逐渐减少且更加支持，不知此患者有无这一特点。入院后的HOLTER及血压监测对此患者只能是一种安慰性的检查，因在这些检查过程中患者发病的机会不是太大，当然不排除正好发作的情况。对此患者应常规作直立倾斜试验，如果没有诱发出，再考虑有无可能是其他原因所致的意识障碍，如室性心动过速等，但这需要电生理尤其是心腔内电生理的检查，毕竟是有一种创伤性方法。因在外地，下面一篇文章可能对您有助，请您自己查找一下。心理应激事件诱发血管迷走性晕厥1例 ，杨峻青、吴沃栋、张瑞云，中国神经精神疾病杂志， 2002 Vol.28 No.2
keys:该例不排除精神因素导致的，因为每次均在受惊吓后出现。当然，在作出此诊断前，应完善相关检查，如头颅MIR(MRA),直立倾斜试验等。
 

参考：

 学习xpath，使用lxml+xpath提取内容。 - naonao77的博客 https://blog.csdn.net/naonao77/article/details/88129994

爬虫任务二 - 简书 https://www.jianshu.com/p/dd5ce4fcbbbb

官方文档：lxml - Processing XML and HTML with Python https://lxml.de/index.html

XPath 教程 | 菜鸟教程 http://www.runoob.com/xpath/xpath-tutorial.html

python爬虫之xpath的基本使用 - Charles.L - 博客园 https://www.cnblogs.com/lei0213/p/7506130.html

用lxml解析HTML - 李少宏 - 博客园 http://www.cnblogs.com/descusr/archive/2012/06/20/2557075.html

使用lxml前注意事项：先确保html经过了utf-8解码，即code = html.decode('utf-8', 'ignore')，否则会出现解析出错情况。因为中文被编码成utf-8之后变成 '/u2541'　之类的形式，lxml一遇到　“/”就会认为其标签结束。