互联网金融爬虫怎么写－第一课 p2p网贷爬虫（XPath入门）

Posted 2020-07-09

相关教程：

手把手教你写电商爬虫-第一课 找个软柿子捏捏

手把手教你写电商爬虫-第二课 实战尚妆网分页商品采集爬虫

手把手教你写电商爬虫-第三课 实战尚妆网AJAX请求处理和内容提取

手把手教你写电商爬虫-第四课 淘宝网商品爬虫自动JS渲染

手把手教你写电商爬虫-第五课 京东商品评论爬虫 一起来对付反爬虫     

工具要求：教程中主要使用到了 1、神箭手云爬虫 框架  这个是爬虫的基础，2、Chrome浏览器和Chrome的插件XpathHelper 这个用来测试Xpath写的是否正确

基础知识：本教程中主要用到了一些基础的js和xpath语法，如果对这两种语言不熟悉，可以提前先学习下，都很简单

 

之前写了一个电商爬虫系列的文章，简单的给大家展示了一下爬虫从入门到进阶的路 径，但是作为一个永远走在时代前沿的科技工作者，我们从来都不能停止 在已有的成果上，所以带上你的chrome，拿起你的xpathhelper，打开你的神箭手，让我们再次踏上征战金融数据之旅吧。（上个系列相对难一 些，建议如果是初学者，先看这个系列的教程）

 

 

金融数据实在是价值大，维度多，来源广。我们到底从哪里入手呢？想来想去，就从前一段时间风云变幻的p2p网贷开始吧。同样，我们教程的一致风格就是先找个软柿子，上来不能用力过猛，逐渐培养自己的信心，等真正敌人来的时候，才不至于怯场害怕。

我们先去搜索一下p2p网站，随便找几个对比一下，选中了这个沪商财富

 

 

看着这样的收益率，心动了有木有，钱包坐不住了有木有，对余额宝投出鄙夷的目光了有木有

 

好了，闲话不说，这个系列课程吸取上个系列课程里进度太快的教训，给大家多讲一些 基础的知识，这一课就结合这个实例，重点讲讲xpath的编写和用 法。首先，大体来讲，XPath是一个相对简单的语言，甚至都不一定能称得上是一个语言，主要用处是用来标记XML的元素路径。由于html也是一种 xml，因此通常来说，在html中抽取某个元素是通过XPath来做的。XPath本身和Css有着很大的相似性，一般来说如果之前对Css有一定的了 解的话，XPath上手还是很简单的。具体的情况我在下面的课程中一边写，一边解释。

首先先确定列表页：

http://www.hushangcaifu.com/invest/main.html

http://www.hushangcaifu.com/invest/index2.html

http://www.hushangcaifu.com/invest/index3.html

基本上可以看到列表页除了第一页以外都有规律可寻，不过看到这个效果，通常我们最好精益求精一下，看下第一页是否也可以符合规律呢？

打开http://www.hushangcaifu.com/invest/index1.html 果然也是第一页，好了，很完美，总结成正则表达式：

http://www\\.hushangcaifu\\.com/invest/index\\d+\\.html

再看下详情页：

http://www.hushangcaifu.com/invest/a3939.html

http://www.hushangcaifu.com/invest/a3936.html

哈哈，小菜一碟，直接化解成正则：

http://www\\.hushangcaifu\\.com/invest/a\\d{4}\\.html

 

好了，最后最重要的就是提取页面元素了。我们打开详情页：

http://www.hushangcaifu.com/invest/a3870.html

 

一般来说，我们在我们想要提取的元素上右击，点击审查元素，得到如下结果：

首先看到yanh1147这个元素有没有整个网页唯一的class，id或者其他 属性，可以看到，在这个页面中没有，那么我们就往上找，上一级的p 标签也没有，咱们再往上找，在上一级是一个<div class="product-content-top-left-top">，终于有class了，让我们祈祷这个class是唯一的 吧，ctrl+f打开搜索框，输入product-content-top-left-top，可以看到，找到了1 of 1，这个代表一共一个，这个是第一个，这就是我们希望的结果，好了，只用找到这一级既可，我们来构造整个的xpath，一般来说xpath我们并不会从最 顶层的html开始写，因为没有必要，因此我们要使用//，这个表示不知中间有多少的层级。接着我们直接把刚刚找到的这个div写上去，得到这个表达式：

//div[contains(@class,"product-content-top-left-top")]

对于class属性，我们通常会使用contains这样一个函数，防止一个元素有多个class的情况，另外因为class是一个属性，因此class前面需要加上@代表选择到该元素的一个属性。

现在我们已经选择到了我们要选择的元素的父元素的父元素，只要我们继续往下走两层既可。

//div[contains(@class,"product-content-top-left-top")]/p/span

由于我们要选择元素里的文字信息，而不是整个元素，我们需要指定是这个元素的文字：

//div[contains(@class,"product-content-top-left-top")]/p/span/text()

 

好了，这样我们就确定了我们爬取的借款用户的名称，我们打开xpathhelper验证一下有没有写错：

 

完美的结果。不过大家有的时候也需要注意，因为有的网页不代表你在一个内容页测试成功，在其他内容页也能成功，最好多测几个页面才是保险的。好了，其他的抽取项就不一一演示了，直接上最后的代码。

 

var configs = {
    domains: ["www.hushangcaifu.com"],
    scanUrls: ["http://www.hushangcaifu.com/invest/index1.html"],
    contentUrlRegexes: ["http://www\\.hushangcaifu\\.com/invest/a\\d{4}\\.html"],
    helperUrlRegexes: ["http://www\\.hushangcaifu\\.com/invest/index\\d+\\.html"],
    fields: [
        {
            name: "title",
            selector: "//div[contains(@class,‘product-content-top-left-top‘)]/h3/text()",
            required: true 
        },
        {
            name: "user_name",
            selector: "//div[contains(@class,‘product-content-top-left-top‘)]/p/span/text()"
        },
        {
            name: "total_money",
            selector: "//div[contains(@class,‘product-content-top-left-middle‘)]/div[1]/h4/text()"
        },
        {
            name: "project_time",
            selector: "//div[contains(@class,‘product-content-top-left-middle‘)]/div[2]/h4/text()"
        },
        {
            name: "annual_return",
            selector: "//div[contains(@class,‘product-content-top-left-middle‘)]/div[3]/h4/text()"
        },
        {
            name: "return_method",
            selector: "//div[contains(@class,‘product-content-top-left-middle‘)]/div[4]/h4/text()"
        }
        
    ]
};

var crawler = new Crawler(configs);
crawler.start();

将代码粘贴到神箭手平台上既可运行。好了，看下运行结果：

对爬虫感兴趣的童鞋可以加qq群讨论：342953471。

本文出自 “11578735” 博客，请务必保留此出处http://11588735.blog.51cto.com/11578735/1775690