盘点一个Python网络爬虫过程中Xpath提取器的问题

今

日

鸡

汤

大家好，我是皮皮。

前几天在Python钻石交流群【海南菜同学】问了一个Python网络爬虫的问题，这里拿出来给大家分享下。

下图是他获取到的内容：

其实就是多提取了这一行，提到了这个表格内容后，把下面的页码也一同提取了，然后那个页码很多，就显示一堆无用的信息。

这里【瑜亮老师】给了一个思路，使用pd.read_html进行提取的，事半功倍，代码如下所示：

import requests
import pandas as pd
url = "https://zw.hainan.gov.cn/ggzy/ggzy/jgzbgg/index.jhtml"
resp = requests.get(url, headers=headers, cookies=cookies)
df = pd.read_html(resp.text)[0]
df.drop([len(df)-1], inplace=True)
print(df)

顺利地解决了粉丝的问题：

提取网页信息的方法还是挺多的。

后来【甯同学】也给了一个方法，使用xpath方法解决的，代码如下：

里边有个匿名函数可能不太好理解，这里也给予说明了。

直接在代码中将空白字符、换行符什么的都清除掉了。

后来代码稍微优化了下，健壮性更强了。

大家好，我是皮皮。这篇文章主要盘点了一个Python网络爬虫的问题，文中针对该问题，给出了具体的解析和代码实现，帮助粉丝顺利解决了问题。

最后感谢粉丝【海南菜同学】提问，感谢【瑜亮老师】、【甯同学】给出的思路和代码解析，感谢【eric】等人参与学习交流。

------------------- End -------------------