XPath爬虫实战：5分钟轻松实现当当网图书列表内容抓取

智_永无止境

于 2025-05-20 13:59:48 发布

阅读量614

点赞数 12

分类专栏：插件文章标签：爬虫 xpath jsoup java

本文链接：https://blog.youkuaiyun.com/static_coder/article/details/148086548

版权

插件专栏收录该内容

14 篇文章

订阅专栏

01 引言

我们已经分了两节介绍了XPath的基础用法、进阶技巧以及特殊神技，但都是基于浏览器的测试的，并没有实际运用的场景。本节我们将通过实际的案例应用Xpath技术。

02 项目背景

企业中，为了分析竞品，就可能会抓取竞品的数据进行拆解，然后更好的完善自己的产品并超越竞品；我们也会经常遇到通过省市区作为筛选条件的组件，这些基础的也需要从国家统计局官网爬取数据等等。

但是，不是所有的数据多可以爬取。如果恶意爬取隐私数据等就可能会触犯法律。这也是IT圈调侃的面向监狱编程。有可能是正人畜无害的码着代码，帽子叔叔就请你喝茶了。

在Robots协议允许范围内抓取公开数据，并尊重网站反爬虫措施（如验证码限制），通常不违法。抓取已公开的非敏感数据用于科研、分析等非商业用途，且在数据使用中不侵犯他人权益（如隐私权、著作权）时，可认定为合法。

所以编程有风险，爬虫需谨慎!

我们以公开信息以当当网的图书列表为例，获取【汪汪队立大功】的列表数据。

爬取数据：

图书的图片链接
图书名称
图书价格
图书定价
图书折扣
图书评论

03 爬虫编写

编写爬虫我们需要因为第三方插件，支持XPath语法

3.1 Maven依赖引入

<dependency>
    <groupId>cn.wanghaomiao</groupId>
    <artifactId>JsoupXpath</artifactId>
    <version>2.5.3</version>
</dependency>

JDK 本身支持XPath，但是只能解析xml，对Html支持并不友好，所以选择了第三方插件。

3.2 页面分析

整体分析

浏览器打开F12

可以看出每一个li 标签就是一个商品，我们只需要取出所有的li 就可以获取到当前列表的所有的数据了。

Xpath语法：

//ul[@id='component_59']/li

详细拆解元素

想要获取目标数据，只需要处理li中的子标签即可。

Xpath语法：

# 图片地址
//ul[@id='component_59']/li/a/img/@src

# 图书名称
//ul[@id='component_59']/li/p[@class='name']/a/@title

# 图书价格
//ul[@id='component_59']/li/p[@class='price']/span[1]/text()

# 图书定价
//ul[@id='component_59']/li/p[@class='price']/span[@class='search_pre_price']/text()

# 图书折扣
//ul[@id='component_59']/li/p[@class='price']/span[@class='search_discount']/text()

# 图书评论
//ul[@id='component_59']/li/p[@class='search_star_line']/a/text()

3.3 代码实战

@Test
void test01() {
    String miUrl = "https://search.dangdang.com/?key=%CD%F4%CD%F4%B6%D3%C1%A2%B4%F3%B9%A6&act=input";
    JXDocument jxDocument = JXDocument.createByUrl(miUrl);

    // 获取商品列表
    List<JXNode> jxNodes = jxDocument.selN("//ul[@id='component_59']/li");
    int count = 1;
    for (JXNode jxNode : jxNodes) {
        System.out.println("第【"+ count +"】本书：");
        System.out.println(" 图书图片地址：" +  xpathThenGet(jxNode, "/a/img/@src"));
        System.out.println(" 图书名称：" +  xpathThenGet(jxNode, "/p[@class='name']/a/@title"));
        System.out.println(" 图书当前价格：" +  xpathThenGet(jxNode, "/p[@class='price']/span[1]/text()"));
        System.out.println(" 图书定价：" +  xpathThenGet(jxNode, "/p[@class='price']/span[@class='search_pre_price']/text()"));
        System.out.println(" 图书折扣：" +  xpathThenGet(jxNode, "/p[@class='price']/span[@class='search_discount']/text()"));
        System.out.println(" 图书评论：" +  xpathThenGet(jxNode, "/p[@class='search_star_line']/a/text()"));
        System.out.println("-----------------图书分割线-----------------------");
        count++;
    }

}

private String xpathThenGet(JXNode jxNode, String xpathExpression) {
    return Optional.ofNullable(jxNode.selOne(xpathExpression)).map(JXNode::asString).orElse("暂无");
}