某套圖網站，套圖以封面形式展現在頁面，需要依次點選套圖，點選廣告盤連結，最後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，採用xpath爬蟲技術

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

程式碼如下：

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   文字展示返回結果
html = etree.HTML(wb_data)   將頁面轉換成文件樹
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屬性後面
print(b)   列印b，這裡的b是一個數組
print(b[0]) 列印b的第一項資料

執行結果：成功返回所有內頁

2、開啟內頁（即廣告盤連結頁），獲取廣告盤地址。下圖紅色箭頭，還不是真正的百度盤頁，需要點選後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；

程式碼如下：

url = "https://www.192ta.com/gc/toutiao/87098.html"
response = requests.get(url= url)
wb_data = response.text # 將頁面轉換成文件樹
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且取第二項資料
print(c)

執行結果：成功返回所有內頁

3、獲取到廣告盤地址，接下來要開啟該地址，抓百度盤真實地址。連結和提取碼在兩個不同的元素中，所有最後返回兩組資料。

程式碼如下：

url = "http://17d.la/xam9I6"
response = requests.get(url= url)
wb_data = response.text
# 將頁面轉換成文件樹
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，這裡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/代表父節點後的子孫節點。提取碼為tr的子節點。但是這個結構下有很多組資料，最後輸出一個數組b（看上面程式碼b）。如此，我們找到提取碼位於陣列序列，賦值給c（看上面程式碼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指令碼，這裡就涉及到函式和函式之間的傳參，還有迴圈的問題。程式碼直接貼出來

# -*-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
    # 將頁面轉換成文件樹
    html = etree.HTML(wb_data)
    a = html.xpath('//ul[@class = "clearfix"]//@href')
    return(a)
alllink = stepa()

#第二步，獲取的地址，迴圈讀取開啟，從而獲取百度網盤資訊
def stepb(alllink,firstlink):
    for url in alllink:
        if url == firstlink:
            continue
        response = requests.get(url=url)
        wb_data = response.text
        # 將頁面轉換成文件樹
        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
        # 將頁面轉換成文件樹
        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，如果想把函式生成的值傳給後面的函式用，就需要返回這個值，如def stepa 裡定義的a為爬去的套圖封面地址（通過開啟這個地址進行下一步），就需要return（a）返回a的值，否則執行後無資料

2、Continue的應用，因為第一個套圖地址開啟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，當第一個地址等於事先定義好的非正常地址的時候，跳過這個迴圈

列印結果：

參考地址：https://cuiqingcai.com/5545.