Python爬虫之xpath语法及案例使用
我们在写Python爬虫时,经常需要对网页提取信息,如果用传统正则表达去写会增加很多工作量,此时需要一种对数据解析的方法,也就是本章要介绍的Xpath表达式。 Xpath是什么
XPath,全称 XML Path Language ,即 XML 路径语言,它是一门在 XML 文档中查找信息的语言。最初是用来搜寻 XML 文档的,但同样适用于 HTML 文档的搜索。所以在做爬虫时完全可以使用 XPath 做相应的信息抽取。
XPath 的选择功能十分强大,它提供了非常简洁明了的路径选择表达式。另外,它还提供超过 100 个内置函数,用于字符串、数值、时间的匹配以及节点、序列的处理等,几乎所有想要定位的节点都可以用 XPath 来选取。
下面介绍实战中常用的几个知识点,详细也可以看W3C介绍:https://www.w3school.com.cn/xpath/index.asp Xpath语法介绍路径常用规则
表达式
描述
实例
nodename
选取此节点的所有子节点
xpath("//p")
选取了p节点的所有子节点
/
从根节点选取
xpath("/p")
从根节点上选取p节点
//
选取所有当前节点,不考虑位置
xpath("//p")
选取所有的p节点
.
选取当前节点
xpath("./p")
选取当前节点下的p节点
..
选取当前节点的父节点
xpath("..")
回到上一个节点
@
选取属性
xpath("//@calss")
选取所有的class属性 谓语规则
谓语被嵌在方括号内,用来查找某个特定的节点或包含某个制定的值的节点
表达式
结果
xpath("/body/p[1]")
选取body下的第一个p节点
xpath("/body/p[last()]")
选取body下最后一个p节点
xpath("/body/p[last()-1]")
选取body下倒数第二个p节点
xpath("/body/p[positon() ]")
选取body下前两个p节点
xpath("/body/p[@class]")
选取body下带有class属性的p节点
xpath("/body/p[@class="main"]")
选取body下class属性为main的p节点
xpath("/body/p[price>35.00]")
选取body下price元素值大于35的p节点 通配符
通配符来选取未知的XML元素
表达式
结果
xpath("/p/*")
选取p下的所有子节点
xpath("/p[@*]")
选取所有带属性的p节点 取多个路径
使用"|"运算符可以选取多个路径
表达式
结果
xpath("//p|//table")
选取所有的p和table节点 功能函数
使用功能函数能够更好的进行模糊搜索
函数
用法
解释
starts-with
xpath("//p[starts-with(@id,"ma")]")
选取id值以ma开头的p节点
contains
xpath("//p[contains(@id,"ma")]")
选取id值包含ma的p节点
and
xpath("//p[contains(@id,"ma") and contains(@id,"in")]")
选取id值包含ma和in的p节点
text()
xpath("//p[contains(text(),"ma")]")
选取节点文本包含ma的p节点 语法熟悉
下面举一段HTML文本进行语法热身,代码如下 #!/usr/bin/env python# -*- coding: utf-8 -*-# time: 2022/8/8 0:05# author: gangtie# email: 648403020@qq.comfrom lxml import etreetext = """
- first item
- second item
- third item
- fourth item
- fifth item
"""# 调用HTML类进行初始化,这样就成功构造了一个XPath解析对象。# 利用etree.HTML解析字符串page = etree.HTML(text) print(type(page))
可以看到打印结果已经变成XML元素:
字符串转换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```
经过处理可以看到缺失的 也自动补全了,还自动添加html、body节点。查找绝对路径
通过绝对路径获取a标签的所有内容 a = page.xpath("/html/body/p/ul/li/a")for i in a: print(i.text)```first itemsecond itemthird itemNonefifth item```查找相对路径(常用)
查找所有li标签下的a标签内容 html = etree.HTML(text)a = html.xpath("//a/text()")print(a)```["first item", "second item", "third item", "fifth item"]```当前标签节点
. 表示选取当前标签的节点。
我们先定位 ul 元素节点得到一个列表,打印当前节点列表得到第一个 ul,
接着打印 ul 节点的子节点 li,text()输出。 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"]```父节点
.. 表示选取当前标签的父节点。
可以看到得到ul的上一级p page = etree.HTML(text)ul = page.xpath("//ul")print(ul[0].xpath("."))print(ul[0].xpath(".."))```[][]```属性匹配
匹配时可以用@符号进行属性过滤
查找a标签下属性href值为link2.html的内容 html = etree.HTML(text)a = html.xpath("//a[@href="link2.html"]/text()")print(a)```["second item"]```函数
last():查找最后一个li标签里的a标签的href属性 html = etree.HTML(text)a = html.xpath("//li[last()]/a/text()")print(a)```["fifth item"]```
contains:查找a标签中属性href包含link的节点,并文本输出 html = etree.HTML(text)a = html.xpath("//a[contains(@href, "link")]/text()")print(a)```["first item", "second item", "third item", "fifth item"]```实战案例
上面说完基本用法,接下来做几个实战案例练练手。 案例一:豆瓣读书# -*-coding:utf8 -*-# 1.请求并提取需要的字段# 2.保存需要的数据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" } # 请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输出带有[" 刘瑜 / 2022-4 / 广西师范大学出版社 / 82.00元 / 精装 "] 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:彼岸图片下载#!/usr/bin/env python# -*- coding: utf-8 -*-# author: 钢铁知识库# email: 648403020@qq.comimport osimport requestsfrom lxml import etree# 彼岸图片下载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" } # 如果目录不存在会报错 if not os.path.exists("BianPicture"): os.mkdir("BianPicture") # 请求拿到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")) # 循环拿到图片名、图片地址,拼接请求再次下载到图片 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 # 拼接后下载图片,转义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) # 数据保存逻辑 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:全国城市名称爬取#!/usr/bin/env python# -*- coding: utf-8 -*-# author: 钢铁知识库# email: 648403020@qq.comimport 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" } # 判断目录是否存在 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表达式
经常使用chome的朋友都应该知道这功能,在 审查 状态下(快捷键ctrl+shift+i,F12),定位到元素(快捷键ctrl+shift+c) ,在Elements选项卡中,右键元素 Copy->Copy xpath,就能得到该元素的xpath了
Xpath Helper插件
为chome装上XPath Helper就可以很轻松的检验自己的xpath是否正确了。安装插件需要特别上网,安装好插件后,在chrome右上角点插件的图标,调出插件的黑色界面,编辑好xpath表达式,表达式选中的元素被标记为黄色
---- 钢铁侠的知识库 2022.08.15 结语:
以上就是利用XPath的所有用法,从常用语法,到案例练习都走了一遍。下一章 钢铁知识库 会继续介绍另一种好用的解析框架,Beautiful Soup
文章来自https://www.cnblogs.com/jiba/p/16589856.html