这是崔斯特的第十四篇原创文章
爬虫三步走：获取源码、解析源码、数据储存
上一期讲了如何获取网页源码的方法，这一期说一说怎么从其中获得我们需要的和数据。
解析网页的方法很多，最常见的就是BeautifulSoup和正则了，其他的像xpath、PyQuery等等，其中我觉得最好用的就是xpath了，xpath真的超级简单好用，学了之后再也不想取用美丽汤了。下面介绍xpath的使用方法。
首先需要安装lxml，windows下安装lxml是个大坑，知乎上有人给出了解决方法Python LXML模块死活安装不了怎么办？
详细的用法可以参考爬虫入门到精通-网页的解析（xpath）
在这里我们尝试使用xpath来迅速获取数据。
例如想要获熊猫直播虎牙直播下主播的ID
import requests
from lxml import etree
url = 'http://www.huya.com/g/lol'
headers = {'User-Agent':'Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/58.0.3029.110 Safari/537.36'}
res = requests.get(url,headers=headers).text
s = etree.HTML(res)
print(s.xpath('//i[@class="nick"]/text()'))
输出：
下面一步步讲解为什么这样做。
import requests
from lxml import etree
首先是导入模块，requests很常见，但是xpath需要 from lxml import etree，你肯点想问为什么这样写，回答是“我也不知道”，就像是约定俗成的东西一样。
url = 'http://www.huya.com/g/lol'
headers = {'User-Agent':'Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/58.0.3029.110 Safari/537.36'}
res = requests.get(url,headers=headers).text
这三步就是平常获取源码的过程，很简单。
s = etree.HTML(res)
给一个html，返回xml结构，为什么这样写？？答案和上面一样。最重要的就是下面的这一步：
s.xpath('//i[@class="nick"]/text()')
按下F12看到“爱拍-古手羽”在i标签下，接着我们右键打开“查看网页源代码”，搜索“爱拍-古手羽”
确实找到了“爱拍-古手羽”就在i标签下，那我们就把他提出来吧！
s.xpath('//i[@class="nick"]/text()')
这个段代码意思是，找到class为“nick”的i标签，返回其中的文本信息，当然你也可以返回i标签中的title，写法如下：
s.xpath('//i[@class="nick"]/@title')
text()返回的是文本信息，@title则是标签里面的具体属性的值，例如我想知道观众人数
import requests
from lxml import etree
url = 'http://www.huya.com/g/lol'
headers = {'User-Agent':'Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/58.0.3029.110 Safari/537.36'}
res = requests.get(url,headers=headers).text
s = etree.HTML(res)
print(s.xpath('//i[@class="js-num"]/text()'))
只需在原来基础上修改一个属性，i标签class为“js-num”里面的值
print(s.xpath('//i[@class="js-num"]/text()'))
返回结果是：
说明：在运行代码中，发现虎牙反爬虫做得挺好的，瞬间就识别爬虫身份并封了IP，所以我换了IP去访问，至于如何设置代理，在我的上一篇文章中有说到，去看看吧。
在实际操作中，你可能会遇到更加复杂的情况，所以一定记得去看看详细的教程。爬虫入门到精通-网页的解析（xpath）
小广告：喜欢爬虫、数据的可以关注一下我的微信公众号（zhangslob），多多交流。
