我們在寫Python爬蟲時，經常需要對網頁提取信息，如果用傳統(tǒng)正則表達去寫會增加很多工作量，此時需要一種對數(shù)據(jù)解析的方法，也就是本章要介紹的Xpath表達式。
Xpath是什么
XPath，全稱 XML Path Language，即 XML 路徑語言，它是一門在 XML 文檔中查找信息的語言。最初是用來搜尋 XML 文檔的，但同樣適用于 HTML 文檔的搜索。所以在做爬蟲時完全可以使用 XPath 做相應的信息抽取。
XPath 的選擇功能十分強大，它提供了非常簡潔明了的路徑選擇表達式。另外，它還提供超過 100 個內置函數(shù)，用于字符串、數(shù)值、時間的匹配以及節(jié)點、序列的處理等，幾乎所有想要定位的節(jié)點都可以用 XPath 來選取。
下面介紹實戰(zhàn)中常用的幾個知識點，詳細也可以看W3C介紹：https://www.w3school.com.cn/xpath/index.asp
Xpath語法介紹
路徑常用規(guī)則
表達式 | 描述 | 實例 | |
nodename | 選取此節(jié)點的所有子節(jié)點 | xpath(‘//p’) | 選取了p節(jié)點的所有子節(jié)點 |
/ | 從根節(jié)點選取 | xpath(‘/p’) | 從根節(jié)點上選取p節(jié)點 |
// | 選取所有當前節(jié)點，不考慮位置 | xpath(‘//p’) | 選取所有的p節(jié)點 |
. | 選取當前節(jié)點 | xpath(‘./p’) | 選取當前節(jié)點下的p節(jié)點 |
.. | 選取當前節(jié)點的父節(jié)點 | xpath(‘..’) | 回到上一個節(jié)點 |
@ | 選取屬性 | xpath（’//@calss’） | 選取所有的class屬性 |
謂語規(guī)則
謂語被嵌在方括號內，用來查找某個特定的節(jié)點或包含某個制定的值的節(jié)點
表達式 | 結果 |
xpath(‘/body/p[1]’) | 選取body下的第一個p節(jié)點 |
xpath(‘/body/p[last()]’) | 選取body下最后一個p節(jié)點 |
xpath(‘/body/p[last()-1]’) | 選取body下倒數(shù)第二個p節(jié)點 |
xpath(‘/body/p[positon() ]’) | 選取body下前兩個p節(jié)點 |
xpath(‘/body/p[@class]’) | 選取body下帶有class屬性的p節(jié)點 |
xpath(‘/body/p[@class=”main”]’) | 選取body下class屬性為main的p節(jié)點 |
xpath(‘/body/p[price>35.00]’) | 選取body下price元素值大于35的p節(jié)點 |
通配符
通配符來選取未知的XML元素
表達式 | 結果 |
xpath（’/p/*’） | 選取p下的所有子節(jié)點 |
xpath(‘/p[@*]’) | 選取所有帶屬性的p節(jié)點 |
取多個路徑
使用“|”運算符可以選取多個路徑
表達式 | 結果 |
xpath(‘//p|//table’) | 選取所有的p和table節(jié)點 |
功能函數(shù)
使用功能函數(shù)能夠更好的進行模糊搜索
函數(shù) | 用法 | 解釋 |
starts-with | xpath(‘//p[starts-with(@id,”ma”)]’) | 選取id值以ma開頭的p節(jié)點 |
contains | xpath(‘//p[contains(@id,”ma”)]’) | 選取id值包含ma的p節(jié)點 |
and | xpath(‘//p[contains(@id,”ma”) and contains(@id,”in”)]’) | 選取id值包含ma和in的p節(jié)點 |
text() | xpath(‘//p[contains(text(),”ma”)]’) | 選取節(jié)點文本包含ma的p節(jié)點 |
語法熟悉
下面舉一段HTML文本進行語法熱身，代碼如下
#!/usr/bin/env python# -*- coding: utf-8 -*-# time: 2022/8/8 0:05# author: gangtie# email: [email protected] lxml import etreetext = ”’
- first item
- second item
- third item
- fourth item
- fifth item
”’# 調用HTML類進行初始化，這樣就成功構造了一個XPath解析對象。# 利用etree.HTML解析字符串page = etree.HTML(text) print(type(page))
可以看到打印結果已經變成XML元素：
字符串轉換HTML
字符串利用etree.HTML解析成html格式：
print(etree.tostring(page,encoding=’utf-8′).decode(‘utf-8’))“`
- first item
- second item
- third item
- fourth item
- fifth item
Process finished with exit code 0“`
經過處理可以看到缺失的
也自動補全了，還自動添加html、body節(jié)點。
查找絕對路徑
通過絕對路徑獲取a標簽的所有內容
a = page.xpath(“/html/body/p/ul/li/a”)for i in a: print(i.text)“`first itemsecond itemthird itemNonefifth item“`
查找相對路徑(常用)
查找所有l(wèi)i標簽下的a標簽內容
html = etree.HTML(text)a = html.xpath(“//a/text()”)print(a)“`[‘first item’, ‘second item’, ‘third item’, ‘fifth item’]“`
當前標簽節(jié)點
. 表示選取當前標簽的節(jié)點。
我們先定位 ul 元素節(jié)點得到一個列表，打印當前節(jié)點列表得到第一個 ul，接著打印 ul 節(jié)點的子節(jié)點 li，text()輸出。
page = etree.HTML(text)ul = page.xpath(“//ul”)print(ul)print(ul[0].xpath(“.”))print(ul[0].xpath(“./li”))print(ul[0].xpath(“./li/a/text()”))“`[][][, , , , ][‘first item’, ‘second item’, ‘third item’, ‘fifth item’]“`
父節(jié)點
.. 表示選取當前標簽的父節(jié)點。
可以看到得到ul的上一級p
page = etree.HTML(text)ul = page.xpath(“//ul”)print(ul[0].xpath(“.”))print(ul[0].xpath(“..”))“`[][]“`
屬性匹配
匹配時可以用@符號進行屬性過濾查找a標簽下屬性href值為link2.html的內容
html = etree.HTML(text)a = html.xpath(“//a[@href=’link2.html’]/text()”)print(a)“`[‘second item’]“`
函數(shù)
last()：查找最后一個li標簽里的a標簽的href屬性
html = etree.HTML(text)a = html.xpath(“//li[last()]/a/text()”)print(a)“`[‘fifth item’]“`
contains：查找a標簽中屬性href包含link的節(jié)點，并文本輸出
html = etree.HTML(text)a = html.xpath(“//a[contains(@href, ‘link’)]/text()”)print(a)“`[‘first item’, ‘second item’, ‘third item’, ‘fifth item’]“`
實戰(zhàn)案例
上面說完基本用法，接下來做幾個實戰(zhàn)案例練練手。
案例一：豆瓣讀書
# -*-coding:utf8 -*-# 1.請求并提取需要的字段# 2.保存需要的數(shù)據(jù)import requestsfrom lxml import etreeclass DoubanBook(): def __init__(self): self.base_url = ‘https://book.douban.com/chart?subcat=all&icn=index-topchart-popular’ self.headers = { ‘User-Agent’: ‘Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) ‘ ‘Chrome/104.0.0.0 Safari/537.36’ } # 請求并提取需要的字段 def crawl(self): res = requests.get(self.base_url, headers=self.headers) lis = etree.HTML(res.text).xpath(‘//*[@id=”content”]/p/p[1]/ul/li’) # print(type(lis)) books = [] for li in lis: # print(etree.tostring(li,encoding=’utf-8′).decode(‘utf-8′)) # print(“==================================================”) title = “”.join(li.xpath(“.//a[@class=’fleft’]/text()”)) score = “”.join(li.xpath(“.//p[@class=’clearfix w250′]/span[2]/text()”)) # list輸出帶有[‘ 劉瑜 / 2022-4 / 廣西師范大學出版社 / 82.00元 / 精裝 ‘] publishing = “”.join(li.xpath(“.//p[@class=’subject-abstract color-gray’]/text()”)).strip() book = { ‘title’: title, ‘score’: score, ‘publishing’: publishing, } books.append(book) self.save_data(books) def save_data(self, datas): with open(‘books.txt’, ‘w’, encoding=’utf-8′) as f: f.write(str(datas)) def run(self): self.crawl()if __name__ == ‘__main__’: DoubanBook().run()
案例二：彼岸圖片下載
#!/usr/bin/env python# -*- coding: utf-8 -*-# author: 鋼鐵知識庫# email: [email protected] osimport requestsfrom lxml import etree# 彼岸圖片下載class BiAn(): def __init__(self): self.url = ‘https://pic.netbian.com’ self.headers = { ‘User-Agent’: ‘Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) ‘ ‘Chrome/104.0.0.0 Safari/537.36’, ‘cookie’: ‘__yjs_duid=1_cb922eedbda97280755010e53b2caca41659183144320; Hm_lvt_c59f2e992a863c2744e1ba985abaea6c=1649863747,1660203266; zkhanecookieclassrecord=%2C23%2C54%2C55%2C66%2C60%2C; Hm_lpvt_c59f2e992a863c2744e1ba985abaea6c=1660207771; yjs_js_security_passport=1225f36e8501b4d95592e5e7d5202f4081149e51_1630209607_js’ } # 如果目錄不存在會報錯 if not os.path.exists(‘BianPicture’): os.mkdir(‘BianPicture’) # 請求拿到ul列表 def crawl(self): res = requests.get(self.url, headers=self.headers) res.encoding = ‘gbk’ uls = etree.HTML(res.text).xpath(‘//p[@class=”slist”]/ul[@class=”clearfix”]/li’) # print(etree.tostring(uls,encoding=’gbk’).decode(‘gbk’)) # 循環(huán)拿到圖片名、圖片地址，拼接請求再次下載到圖片 for ul in uls: img_name = ul.xpath(‘.//a/b/text()’)[0] img_src = ul.xpath(‘.//a/span/img/@src’)[0] # print(img_name + img_src) img_url = self.url + img_src # 拼接后下載圖片，轉義Bytes img_res = requests.get(img_url, headers=self.headers).content img_path = “BianPicture/” + img_name + “.jpg” data = { ‘img_res’: img_res, ‘img_path’: img_path } self.save_data(data) # 數(shù)據(jù)保存邏輯 def save_data(self, data): with open(data[‘img_path’], ‘wb’) as f: f.write(data[‘img_res’]) # print(data) def run(self): self.crawl()if __name__ == ‘__main__’: BiAn().run()
案例三：全國城市名稱爬取
#!/usr/bin/env python# -*- coding: utf-8 -*-# author: 鋼鐵知識庫# email: [email protected] osimport requestsfrom lxml import etreeclass CityName(): def __init__(self): self.url = ‘https://www.aqistudy.cn/historydata/’ self.headers = { ‘User-Agent’: ‘Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/104.0.0.0 Safari/537.36’ } # 判斷目錄是否存在 if not os.path.exists(‘city_project’): os.mkdir(‘city_project’) def crawl(self): res = requests.get(url=self.url, headers=self.headers).text uls = etree.HTML(res).xpath(‘//p[@class=”all”]/p[2]/ul/p[2]/li’) all_city_name = list() for ul in uls: city_name = ul.xpath(‘.//a/text()’)[0] # print(type(city_name)) all_city_name.append(city_name) self.save_data(all_city_name) def save_data(self, data): with open(‘./city_project/city.txt’, ‘w’) as f: f.write(str(data)) def run(self): self.crawl()if __name__ == ‘__main__’: CityName().run()
xpath使用工具
chrome生成XPath表達式
經常使用chome的朋友都應該知道這功能，在 審查 狀態(tài)下(快捷鍵ctrl+shift+i，F(xiàn)12)，定位到元素(快捷鍵ctrl+shift+c) ，在Elements選項卡中，右鍵元素 Copy->Copy xpath，就能得到該元素的xpath了
Xpath Helper插件
為chome裝上XPath Helper就可以很輕松的檢驗自己的xpath是否正確了。安裝插件需要特別上網，安裝好插件后，在chrome右上角點插件的圖標，調出插件的黑色界面，編輯好xpath表達式，表達式選中的元素被標記為黃色
—- 鋼鐵俠的知識庫 2022.08.15
結語：
以上就是利用XPath的所有用法，從常用語法，到案例練習都走了一遍。下一章 鋼鐵知識庫 會繼續(xù)介紹另一種好用的解析框架，Beautiful Soup
文章來自https://www.cnblogs.com/jiba/p/16589856.html
