某套圖網站，套圖以封面形式展現在頁面，需要依次點擊套圖，點擊廣告盤鏈接，最后到達百度網盤展示頁面。

這一過程通過爬蟲來實現，收集百度網盤地址和提取碼，采用xpath爬蟲技術

1、首先分析圖片列表頁，該頁按照更新先后順序暫時套圖封面，查看HTML結構。每一組“li”對應一組套圖。屬性href后面即為套圖的內頁地址(即廣告盤鏈接頁)。所以，我們先得獲取列表頁內所有的內頁地址(即廣告盤鏈接頁)

代碼如下：

import requests 倒入requests庫

from lxml import etree 倒入lxml 庫(沒有這個庫，pip install lxml安裝)

url = "https://www.xxxx.com/gc/" 請求地址

response = requests.get(url= url) 返回結果

wb_data = response.text 文本展示返回結果

html = etree.HTML(wb_data) 將頁面轉換成文檔樹

b = html.xpath('//ul[@class = "clearfix"]//@href') 這一步的意思是class“clearfix”下所有屬性為“href”賦值給“b”，因為我們的目標內容都展示在class“clearfix”下，且在href屬性后面

print(b) 打印b，這里的b是一個數組

print(b[0]) 打印b的第一項數據

執行結果：成功返回所有內頁

2、打開內頁(即廣告盤鏈接頁)，獲取廣告盤地址。下圖紅色箭頭，還不是真正的百度盤頁，需要點擊后才可以看的到百度盤的地址。所以這一步驟，只需要抓取紅色箭頭內容地址；

代碼如下：

url = "https://www.192ta.com/gc/toutiao/87098.html"

response = requests.get(url= url)

wb_data = response.text # 將頁面轉換成文檔樹

html = etree.HTML(wb_data)

b = html.xpath('//div[@class = "pictext"]//@href')

c=b[1] #需要注意的地方，class = "pictext"下有兩個href，我們只需要第一個href的值，所以返回值再賦值給c且取第二項數據

print(c)

執行結果：成功返回所有內頁

3、獲取到廣告盤地址，接下來要打開該地址，抓百度盤真實地址。鏈接和提取碼在兩個不同的元素中，所有最后返回兩組數據。

代碼如下：

url = "http://17d.la/xam9I6"

response = requests.get(url= url)

wb_data = response.text

# 將頁面轉換成文檔樹

html = etree.HTML(wb_data)

b = html.xpath('//tr/td/text()')

c=b[6]#提取碼

d = html.xpath('//tr//@href')#百度地址

print(c)

print(d)

注意，這里html.xpath寫法與上面有些區別，目標元素的上級沒有class，只能模糊取值

比如提取碼的HTML結構如下圖，結構為//tr/td/，單/代表父節點下的子節點，雙/代表父節點后的子孫節點。提取碼為tr的子節點。但是這個結構下有很多組數據，最后輸出一個數組b(看上面代碼b)。如此，我們找到提取碼位于數組序列，賦值給c(看上面代碼c)，這樣獲得了真實的百度盤地址

網盤地址則因為有href屬性，所以好爬去一些，注意/的數量即可

4、把以上步驟拼成一個腳本，這里就涉及到函數和函數之間的傳參，還有循環的問題。代碼直接貼出來

# -*-coding:utf8-*-

import requests

from lxml import etree

firstlink = "https://www.xxx.com/gc/qt/83720.html"

#第一步，獲取第一頁面所有的地址

def stepa ():

url = "https://www.xxx.com/gc/"

response = requests.get(url=url)

wb_data = response.text

# 將頁面轉換成文檔樹

html = etree.HTML(wb_data)

a = html.xpath('//ul[@class = "clearfix"]//@href')

return(a)

alllink = stepa()

#第二步，獲取的地址，循環讀取打開，從而獲取百度網盤信息

def stepb(alllink,firstlink):

for url in alllink:

if url == firstlink:

continue

response = requests.get(url=url)

wb_data = response.text

# 將頁面轉換成文檔樹

html = etree.HTML(wb_data)

b = html.xpath('//div[@class = "pictext"]//@href')

c = b[1]

#獲取到廣告頁地址

url2 = c

response = requests.get(url=url2)

wb_data = response.text

# 將頁面轉換成文檔樹

html = etree.HTML(wb_data)

b = html.xpath('//tr/td/text()')

c = b[6]

d = html.xpath('//tr//@href')

print(c)

print(d)

#獲取百度地址和提取碼

stepb(alllink,firstlink)

需要注意的地方：

1、return的用法，如果想把函數生成的值傳給后面的函數用，就需要返回這個值，如def stepa 里定義的a為爬去的套圖封面地址(通過打開這個地址進行下一步)，就需要return(a)返回a的值，否則執行后無數據

2、Continue的應用，因為第一個套圖地址打開的內容沒有目標內容，這樣找不到元素會報錯，所以需要讀取套圖地址的時候要跳過第一個地址。加一個if判斷，當第一個地址等于事先定義好的非正常地址的時候，跳過這個循環

打印結果：

參考地址：https://cuiqingcai.com/5545.html