优酷电视剧爬虫代码实现一：下载解析视频网站页面补充知识点：XPath无效怎么办？

Posted 2020-08-27

XPath无效怎么办？明明XPath是通过定位子节点，copy xpath得到的，理论上是正确的

XPath无效怎么办？明明XPath是通过按F12定位符再copy XPath得到的，可是放在代码里就是不对呢？

前提：优酷电视剧爬虫代码实现一：下载解析视频网站页面(2)工作量已经完成。基于这个基础，进一步完善代码

1.新建页面解析接口。

package com.dajiangtai.djt_spider.service;

import com.dajiangtai.djt_spider.entity.Page;

/**
* 页面解析接口
* @author Administrator
*
*/
public interface IProcessService {

public void process(Page page);
}

2.新建页面解析实现类

package com.dajiangtai.djt_spider.service.impl;

import java.util.regex.Matcher;
import java.util.regex.Pattern;

import org.htmlcleaner.HtmlCleaner;
import org.htmlcleaner.TagNode;
import org.htmlcleaner.XPatherException;

import com.dajiangtai.djt_spider.entity.Page;
import com.dajiangtai.djt_spider.service.IProcessService;
import com.dajiangtai.djt_spider.util.HtmlUtil;
import com.dajiangtai.djt_spider.util.LoadPropertyUtil;
import com.dajiangtai.djt_spider.util.RegexUtil;

/**
* 优酷页面解析实现类
* @author Administrator
*
*/
public class YOUKUProcessService implements IProcessService{

//总播放量：
private String parseAllNumber = "/html/body/div[4]/div/div[1]/div[2]/div[2]/ul/li[11]";

public void process(Page page) {

String content = page.getContent();
HtmlCleaner htmlCleaner = new HtmlCleaner();
//利用htmlCleaner对网页进行解析，得到根节点
TagNode rootNode = htmlCleaner.clean(content);
try {
Object[] evaluateXPath = rootNode.evaluateXPath(parseAllNumber);
if(evaluateXPath.length>0){

//通过xpath，定位到该子节点，输出子节点信息
TagNode node = (TagNode)evaluateXPath[0];
System.out.println(node.getText().toString());
}
} catch (XPatherException e) {
// TODO Auto-generated catch block
e.printStackTrace();
}
}

}

 

3.新建电视剧爬虫入口类StartDSJCount，定义downLoadService、processService并生成get/set方法，同时，通过set方法对这两个接口进行实例化。利用之前的工作，封装页面下载和解析方法。再对页面解析进行测试。

package com.dajiangtai.djt_spider.start;

import com.dajiangtai.djt_spider.entity.Page;
import com.dajiangtai.djt_spider.service.IDownLoadService;
import com.dajiangtai.djt_spider.service.IProcessService;
import com.dajiangtai.djt_spider.service.IStoreService;
import com.dajiangtai.djt_spider.service.impl.ConsoleStoreService;
import com.dajiangtai.djt_spider.service.impl.HttpClientDownLoadService;
import com.dajiangtai.djt_spider.service.impl.YOUKUProcessService;

/**
* 电视剧爬虫入口类
* @author Administrator
*
*/
public class StartDSJCount {

//页面下载接口
private IDownLoadService downLoadService;
//页面解析接口
private IProcessService processService;

public static void main(String[] args) {
StartDSJCount dsj = new StartDSJCount();

//HttpClientDownLoadService实现DownLoadService接口
dsj.setDownLoadService(new HttpClientDownLoadService());

//YOUKUProcessService实现ProcessService接口
dsj.setProcessService(new YOUKUProcessService());
String url = "http://list.youku.com/show/id_z9cd2277647d311e5b692.html?spm=a2h0j.8191423.sMain.5~5~A!2.iCUyO9";
//下载页面
Page page = dsj.downloadPage(url);
//解析页面
dsj.processPage(page);  //测试

}

//下载页面方法
public Page downloadPage(String url){
return this.downLoadService.download(url);
}

//解析页面方法
public void processPage(Page page){
this.processService.process(page);
}


public IDownLoadService getDownLoadService() {
return downLoadService;
}

public void setDownLoadService(IDownLoadService downLoadService) {
this.downLoadService = downLoadService;
}

public IProcessService getProcessService() {
return processService;
}

public void setProcessService(IProcessService processService) {
this.processService = processService;
}

}

4.测试该main方法，若正确，则应该输出红色字段即：  总播放数：16,960,061,208 

然而，控制台为空：

也就是，该xpath无效，解析失败。这里可以使用debug进行调试，一步步测试，最后发现，Object[] evaluateXPath = rootNode.evaluateXPath(parseAllNumber);的evaluateXPath 值为[]，是什么原因导致解析失败呢？红色部分的xpath为"/html/body/div[4]/div/div[1]/div[2]/div[2]/ul/li[11]";，很明显，是绝对路径，具体为什么失败，目前我将它归结为绝对路径。自我总结，目前有两种解决方案：

1.若xpath解析不对，则最简单的解决方法，保留最后一个标签下标，其余全部删除掉，从body开始。

2.自己改写成相对路径："//div[@class=\\"p-base\\"]/ul/li[11]"，这里是参考了http://www.cnblogs.com/miercler/p/5599465.html博客中xpath的写法。

 

 以上两种方法都可以解决xpath无效的问题！