xpath爬虫实例，爬取图片网站百度盘地址和提取码

某套图网站，套图以封面形式展现在页面，需要依次点击套图，点击广告盘链接，最后到达百度网盘展示页面。

这一过程通过爬虫来实现，收集百度网盘地址和提取码，采用xpath爬虫技术

1、首先分析图片列表页，该页按照更新先后顺序暂时套图封面，查看HTML结构。每一组“li”对应一组套图。属性href后面即为套图的内页地址（即广告盘链接页）。所以，我们先得获取列表页内所有的内页地址（即广告盘链接页）

代码如下：

import requests   倒入requests库
from lxml import etree   倒入lxml 库（没有这个库，pip install lxml安装）
url = "https://www.xxxx.com/gc/"  请求地址
response = requests.get(url= url)   返回结果
wb_data = response.text   文本展示返回结果
html = etree.HTML(wb_data)   将页面转换成文档树
b = html.xpath('//ul[@class = "clearfix"]//@href')  这一步的意思是class“clearfix”下所有属性为“href”赋值给“b”，因为我们的目标内容都展示在class“clearfix”下，且在href属性后面
print(b)   打印b，这里的b是一个数组
print(b[0]) 打印b的第一项数据

执行结果：成功返回所有内页

2、打开内页（即广告盘链接页），获取广告盘地址。下图红色箭头，还不是真正的百度盘页，需要点击后才可以看的到百度盘的地址。所以这一步骤，只需要抓取红色箭头内容地址；

代码如下：

url = "https://www.192ta.com/gc/toutiao/87098.html"
response = requests.get(url= url)
wb_data = response.text # 将页面转换成文档树
html = etree.HTML(wb_data)
b = html.xpath('//div[@class = "pictext"]//@href')
c=b[1]      #需要注意的地方，class = "pictext"下有两个href，我们只需要第一个href的值，所以返回值再赋值给c且取第二项数据
print(c)

执行结果：成功返回所有内页

3、获取到广告盘地址，接下来要打开该地址，抓百度盘真实地址。链接和提取码在两个不同的元素中，所有最后返回两组数据。

代码如下：

url = "http://17d.la/xam9I6"
response = requests.get(url= url)
wb_data = response.text
# 将页面转换成文档树
html = etree.HTML(wb_data)
b = html.xpath('//tr/td/text()')
c=b[6]#提取码
d = html.xpath('//tr//@href')#百度地址
print(c)
print(d)

注意，这里html.xpath写法与上面有些区别，目标元素的上级没有class，只能模糊取值

比如提取码的HTML结构如下图，结构为//tr/td/，单/代表父节点下的子节点，双/代表父节点后的子孙节点。提取码为tr的子节点。但是这个结构下有很多组数据，最后输出一个数组b（看上面代码b）。如此，我们找到提取码位于数组序列，赋值给c（看上面代码c），这样获得了真实的百度盘地址

网盘地址则因为有href属性，所以好爬去一些，注意/的数量即可

4、把以上步骤拼成一个脚本，这里就涉及到函数和函数之间的传参，还有循环的问题。代码直接贴出来

# -*-coding:utf8-*-

import requests
from lxml import etree

firstlink = "https://www.xxx.com/gc/qt/83720.html"
#第一步，获取第一页面所有的地址
def stepa ():
    url = "https://www.xxx.com/gc/"
    response = requests.get(url=url)
    wb_data = response.text
    # 将页面转换成文档树
    html = etree.HTML(wb_data)
    a = html.xpath('//ul[@class = "clearfix"]//@href')
    return(a)
alllink = stepa()

#第二步，获取的地址，循环读取打开，从而获取百度网盘信息
def stepb(alllink,firstlink):
    for url in alllink:
        if url == firstlink:
            continue
        response = requests.get(url=url)
        wb_data = response.text
        # 将页面转换成文档树
        html = etree.HTML(wb_data)
        b = html.xpath('//div[@class = "pictext"]//@href')
        c = b[1]
        #获取到广告页地址
        url2 = c
        response = requests.get(url=url2)
        wb_data = response.text
        # 将页面转换成文档树
        html = etree.HTML(wb_data)
        b = html.xpath('//tr/td/text()')
        c = b[6]
        d = html.xpath('//tr//@href')
        print(c)
        print(d)
        #获取百度地址和提取码
stepb(alllink,firstlink)

需要注意的地方：

1、return的用法，如果想把函数生成的值传给后面的函数用，就需要返回这个值，如def stepa 里定义的a为爬去的套图封面地址（通过打开这个地址进行下一步），就需要return（a）返回a的值，否则执行后无数据

2、Continue的应用，因为第一个套图地址打开的内容没有目标内容，这样找不到元素会报错，所以需要读取套图地址的时候要跳过第一个地址。加一个if判断，当第一个地址等于事先定义好的非正常地址的时候，跳过这个循环

打印结果：

参考地址：https://cuiqingcai.com/5545.html