正文

爬虫系列(九) xpath的基本使用

IP云
IP云V管理员/0 阅读
12/02
小程序：扫一扫查出行
【扫一扫了解最新限行尾号】
复制小程序

一、xpath 简介

究竟什么是 xpath 呢？简单来说，xpath 就是一种在 XML 文档中查找信息的语言

而 XML 文档就是由一系列节点构成的树，例如，下面是一份简单的 XML 文档： 

<html>

	<body>

		<div>

			<p>Hello world<p>

			<a href="/home">Click here</a>

		</div>

	</body>

</html>

XML 文档中常见的节点包括：

  • 根节点：html
  • 元素节点：html、body、div、p、a
  • 属性节点：href
  • 文本节点：Hello world、Click here

XML 文档中常见的节点间关系包括：

  • 父子：例如，<p> 和 <a> 是 <div> 的子节点，反之，也称 <div> 是 <p> 和 <a> 的父节点
  • 兄弟：例如，<p> 和 <a> 称为兄弟节点
  • 祖先/后代：例如，<body>、<div>、<p>、<a> 都是 <html> 的后代节点，反之，也称 <html> 是 <body>、<div>、<p>、<a> 的祖先节点

对于网页解析来说，xpath 比 re 更加方便简洁，故 Python 中也提供相应的模块 —— lxml.etree

我们可以使用 pip install lxml 命令进行安装

二、xpath 使用

在正式开始讲解 xpath 的使用方法之前，我们先来构造一个简单的 XML 文档用于测试

在一般的爬虫程序中，XML 文档就是爬取回来的网页源代码 

>>> sc = '''

<html>

	<head>

    	<meta charset="UTF-8"/>

		<link rel="stylesheet" href="style/base.css"/>

		<title>Example website</title>

	</head>

	<body>

		<div id="images" class="content">

			<a href="image1.html">Image1<img src="image1.jpg"/></a>

			<a href="image2.html">Image2<img src="image2.jpg"/></a>

			<a href="image3.html">Image3<img src="image3.jpg"/></a>

		</div>

	</body>

</html>

'''

1、导入模块 

>>> from lxml import etree

2、构造对象 

>>> html = etree.HTML(sc) # 构造 lxml.etree._Element 对象

>>> # lxml.etree._Element 对象还具有代码补全功能

>>> # 假如我们得到的 XML 文档不是规范的文档，该对象将会自动补全缺失的闭合标签

>>> # 我们可以使用 tostring() 方法将对象转化成 bytes 类型的字符串

>>> # 再使用 decode('utf-8') 方法将 bytes 类型的字符串转化为 str 类型的字符串

>>> print(etree.tostring(html).decode('utf-8'))

3、匹配数据

我们可以使用 xpath() 方法进行匹配

（1）xpath 匹配语法

xpath 方法接受一个满足 xpath 匹配语法的字符串作为参数

下面主要介绍一下 xpath 匹配语法：

  • / 表示子代节点，例如 /E 表示匹配根节点下的子节点中的 E 元素节点 

    >>> test = html.xpath('/html/head/title')

  • // 表示后代节点，例如 //E 表示匹配根节点下的后代节点中的 E 元素节点 

    >>> test = html.xpath('//a')

  • * 表示所有节点，例如 E/* 表示匹配 E 元素节点下的子节点中的所有节点 

    >>> test = html.xpath('/html/*')

  • text() 表示文本节点，例如 E/text() 表示匹配 E 元素节点下的子节点中的文本节点 

    >>> test = html.xpath('/html/head/title/text()')

  • @ATTR 表示属性节点，例如 E/@ATTR 表示匹配 E 元素节点下的子节点中的 ATTR 属性节点 

    >>> test = html.xpath('//a/@href')

  • 谓语 用于匹配指定的标签

    • 指定第二个 <a> 标签 

      >>> test = html.xpath('//a[2]')

    • 指定前两个 <a> 标签 

      >>> test = html.xpath('//a[position()<=2]')

    • 指定带有 href 属性的 <a> 标签 

      >>> test = html.xpath('//a[@href]')

    • 指定带有 href 属性且值为 image1.html 的 <a> 标签 

      >>> test = html.xpath('//a[@href="image1.html"]')

    • 指定带有 href 属性且值包含 image 的 <a> 标签 

      >>> test = html.xpath('//a[contains(@href,"image")]')

（2）_Element 对象

xpath 方法返回字符串或者匹配列表，匹配列表中的每一项都是 lxml.etree._Element 对象

下面主要介绍一下 _Element 对象的常用属性与方法：

我们先用 xpath 方法得到匹配列表 tests 作为测试样例，tests 中的每一项都是一个 _Element 对象 

>>> test = html.xpath('//a[@href="image1.html"]')

>>> obj = test[0]
  • tag 返回标签名 
>>> obj.tag

'a'
  • attrib 返回属性与值组成的字典 
>>> obj.attrib

{'href': 'image1.html'}
  • get() 返回指定属性的值 
>>> obj.get('href')

'image1.html'
  • text 返回文本值 
>>> obj.text

'Image1'

【参考资料】

  • https://lxml.de/tutorial.html

【爬虫系列相关文章】

  • 爬虫系列(一) 网络爬虫简介

  • 爬虫系列(二) Chrome抓包分析

  • 爬虫系列(三) urllib的基本使用

  • 爬虫系列(四) 用urllib实现英语翻译

  • 爬虫系列(五) re的基本使用

  • 爬虫系列(六) 用urllib和re爬取百度贴吧

  • 爬虫系列(七) requests的基本使用

  • 爬虫系列(八) 用requests实现天气查询

  • 爬虫系列(九) xpath的基本使用

  • 爬虫系列(十) 用requests和xpath爬取豆瓣电影

  • 爬虫系列(十一) 用requests和xpath爬取豆瓣电影评论

  • 爬虫系列(十二) selenium的基本使用

  • 爬虫系列(十三) 用selenium爬取京东商品

相关阅读

目录[+]