分类目录:《Python爬虫从入门到精通》总目录
解析库使用篇:
解析库re的使用:正则表达式
解析库XPath的使用
解析库Beautiful Soup的使用
解析库pyquery的使用
在《爬取猫眼电影排行Top100》中我们用requests和正则表达式实现了一个最基本的爬虫。但提取页面信息时使用的是正则表达式比较烦琐,而且万一有地方写错了,可能导致匹配失败,所以使用正则表达式提取页面信息多多少少还是有些不方便。而对于网页的节点来说,它可以定义id、class或其他属性。而且节点之间还有层次关系,在网页中可以通过XPath或CSS选择器来定位一个或多个节点。那么,在页面解析时,利用XPath或CSS选择器来提取某个节点,然后再调用相应方法获取它的正文内容或者属性,就可以提取我们想要的任意信息了。在Python中,这种解析库已经非常多,其中比较强大的库有lxml、Beautiful Soup、pyquery等,本有了它们,我们就不用再为正则表达式发愁,而且解析效率也会大大提高。
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。它最初是用来搜寻XML文档的,但是它同样适用于HTML文档的搜索。所以在做爬虫时,我们完全可以使用XPath来做相应的信息抽取。本文中就来介绍XPath的基本用法。
XPath概览
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,它还提供了超过100个内建函数,用于字符串、数值、时间的匹配以及节点、序列的处理等。几乎所有我们想要定位的节点,都可以用XPath来选择。XPath于1999年11月16日成为W3C标准,它被设计为供XSLT、XPointer以及其他XML解析软件使用,更多的文档可以访问其官方网站。
XPath常用规则
这里列出了XPath的常用匹配规则。
比如//title[@lang="eng"]代表选择所有名称为title,同时属性lang的值为eng的节点。后面会通过Python的lxml库,利用XPath进行HTML的解析。
假设我们有如下HTML源码:
<div> <ul> <li><a href="link1.html">first item</a></li> <li><a href="link2.html">second item</a></li> <li><a href="link3.html">third item</a></li> <li><a href="link4.html">fourth item</a></li> <li><a href="link5.html">fifth item</a> </ul> </div>
这里首先导入lxml库的etree模块,然后声明了一段HTML文本,调用HTML类进行初始化,这样就成功构造了一个XPath解析对象。这里需要注意的是,HTML文本中的最后一个li节点是没有闭合的,但是etree模块可以自动修正HTML文本。
from lxml import etreetext = """<div> <ul> <li><a href="link1.html">first item</a></li> <li><a href="link2.html">second item</a></li> <li><a href="link3.html">third item</a></li> <li><a href="link4.html">fourth item</a></li> <li><a href="link5.html">fifth item</a> </ul> </div>"""html = etree.HTML(text)result = etree.tostring(html)print(result.decode("utf-8"))
这里我们调用tostring()方法即可输出修正后的HTML代码,但是结果是bytes类型。这里利用decode()方法将其转成str类型,结果如下:
<html><body><div> <ul> <li><a href="link1.html">first item</a></li> <li><a href="link2.html">second item</a></li> <li><a href="link3.html">third item</a></li> <li><a href="link4.html">fourth item</a></li> <li><a href="link5.html">fifth item</a> </li></ul> </div></body></html>
可以看到,经过处理之后,li节点标签被补全,并且还自动添加了body、html节点。
from lxml import etreehtml = etree.parse("./test.html", etree.HTMLParser())result = etree.tostring(html)print(result.decode("utf-8"))获取节点信息
所有节点
我们一般会用//开头的XPath规则来选取所有符合要求的节点。这里以前面的HTML文本为例,并将该HTML源码以test.html保存在Python代码相同的目录下。
from lxml import etreehtml = etree.parse("./test.html", etree.HTMLParser())result = html.xpath("//*")print(result)
可以得到结果:
[<Element html at 0x1a343a45e48>, <Element body at 0x1a343a45f48>, <Element div at 0x1a343a5dcc8>, <Element ul at 0x1a343a5dc88>, <Element li at 0x1a343a5dc48>, <Element a at 0x1a343a5de88>, <Element li at 0x1a343a5dec8>, <Element a at 0x1a343a5df08>, <Element li at 0x1a343a5df48>, <Element a at 0x1a343a5de48>, <Element li at 0x1a343a5df88>, <Element a at 0x1a343a5dfc8>, <Element li at 0x1a343a66048>, <Element a at 0x1a343a66088>]
这里使用*代表匹配所有节点,也就是整个HTML文本中的所有节点都会被获取。可以看到,返回形式是一个列表,每个元素是Element类型,其后跟了节点的名称,如html、body、div、ul、li、a等,所有节点都包含在列表中了。当然,此处匹配也可以指定节点名称。
from lxml import etreehtml = etree.parse("./test.html", etree.HTMLParser())result = html.xpath("//li")print(result)
这里要选取所有li节点,可以使用//,然后直接加上节点名称即可,调用时直接使用xpath()方法即可。这里可以看到提取结果是一个列表形式,其中每个元素都是一个 Element对象。如果要取出其中一个对象,可以直接用中括号加索引.
[<Element li at 0x1a343a5da08>, <Element li at 0x1a343a663c8>, <Element li at 0x1a343a66388>, <Element li at 0x1a343a66548>, <Element li at 0x1a343a66588>]子孙节点
我们通过/或//即可查找元素的子节点或子孙节点。假如现在想选择li节点的所有直接a子节点:
from lxml import etreehtml = etree.parse("./test.html", etree.HTMLParser())result = html.xpath("//li/a")print(result)
这里通过追加/a即选择了所有li节点的所有直接a子节点。因为//li用于选中所有li节点,/a用于选中li节点的所有直接子节点a,二者组合在一起即获取所有li节点的所有直接a子节点
[<Element a at 0x1a343a66348>, <Element a at 0x1a343a66288>, <Element a at 0x1a343a66108>, <Element a at 0x1a343a66188>, <Element a at 0x1a343a66708>]
/用于选取直接子节点,如果要获取所有子孙节点,就可以使用//。例如,要获取ul节点下的所有子孙a节点:
from lxml import etreehtml = etree.parse("./test.html", etree.HTMLParser())result = html.xpath("//ul//a")print(result)
但是如果这里用//ul/a,就无法获取任何结果了。因为/用于获取直接子节点,而在ul节点下没有直接的a子节点,只有li节点,所以无法获取任何匹配结果。
父节点
与子孙节点类似,我们可以用..来实现查找父节点。比如,现在首先选中href属性为link4.html的a节点,然后再获取其父节点,然后再获取其class属性:
from lxml import etreehtml = etree.parse("./test.html", etree.HTMLParser())result = html.xpath("//a[@href="link4.html"]/../@class")print(result
就可以得到该class的属性:
["item-1"]
类似的,同时,我们也可以通过parent::来获取父节点。
属性匹配
在选取的时候,我们还可以用@符号进行属性过滤。比如,这里如果要选取class为item-1的li节点:
from lxml import etreehtml = etree.parse("./test.html", etree.HTMLParser())result = html.xpath("//li[@class="item-0"]")print(result)
这里我们通过加入[@class="item-0"],限制了节点的class属性为item-0,而HTML文本中符合条件的li节点有两个,所以结果应该返回两个匹配到的元素。
[<Element li at 0x10a399288>, <Element li at 0x10a3992c8>]文本获取
我们用XPath中的text()方法获取节点中的文本,接下来尝试获取前面li节点中的文本:
from lxml import etreehtml = etree.parse("./test.html", etree.HTMLParser())result = html.xpath("//li[@class="item-0"]/text()")print(result)
从结果可以看到。我们并没有获取到任何文本,只获取到了一个换行符,这是因为XPath中text()前面是/,而此处/的含义是选取直接子节点,很明显li的直接子节点都是a节点,文本都是在a节点内部的,所以这里匹配到的结果就是被修正的li节点内部的换行符,因为自动修正的li节点的尾标签换行了。
["\n "]
即选中的是这两个节点:
<li><a href="link1.html">first item</a></li><li><a href="link5.html">fifth item</a></li>
其中一个节点因为自动修正,li节点的尾标签添加的时候换行了,所以提取文本得到的唯一结果就是li节点的尾标签和a节点的尾标签之间的换行符。因此,如果想获取li节点内部的文本,就有两种方式,一种是先选取a节点再获取文本,另一种就是使用//。
from lxml import etreehtml = etree.parse("./test.html", etree.HTMLParser())result = html.xpath("//li[@class="item-0"]/a/text()")print(result)
若我们先选取a节点再获取文本就可以得到:
["first item", "fifth item"]
可以看到,这里的返回值是两个,内容都是属性为item-0的li节点的文本,这也印证了前面属性匹配的结果是正确的。这里我们是逐层选取的,先选取了li节点,又利用/选取了其直接子节点a,然后再选取其文本,得到的结果恰好是符合我们预期的两个结果。如果使用//选取结果:
from lxml import etreehtml = etree.parse("./test.html", etree.HTMLParser())result = html.xpath("//li[@class="item-0"]//text()")print(result)
就会返回3个结果。可想而知,这里是选取所有子孙节点的文本,其中前两个就是li的子节点a节点内部的文本,另外一个就是最后一个li节点内部的文本,即换行符。
["first item", "fifth item", "\n "]
所以如果要想获取子孙节点内部的所有文本,可以直接用//加text()的方式,这样可以保证获取到最全面的文本信息,但是可能会夹杂一些换行符等特殊字符。如果想获取某些特定子孙节点下的所有文本,可以先选取到特定的子孙节点,然后再调用text()方法获取其内部文本,这样可以保证获取的结果是整洁的。
属性获取
我们知道用text()可以获取节点内部文本,那么节点属性该怎样获取呢?其实还是用@符号就可以。例如,我们想获取所有li节点下所有a节点的href属性:
from lxml import etreehtml = etree.parse("./test.html", etree.HTMLParser())result = html.xpath("//li/a/@href")print(result)
这里我们通过@href即可获取节点的href属性。注意,此处和属性匹配的方法不同,属性匹配是中括号加属性名和值来限定某个属性,如[@href="link1.html"],而此处的@href指的是获取节点的某个属性,二者需要做好区分。
属性多值匹配
有时候,某些节点的某个属性可能有多个值,例如:
from lxml import etreetext = "<li><a href="link.html">first item</a></li>"html = etree.HTML(text)result = html.xpath("//li[@class="li"]/a/text()")print(result)
这里HTML文本中li节点的class属性有两个值li和li-first,此时如果还想用之前的属性匹配获取,就无法匹配了,此时的运行结果如下:
[]
这时就需要用contains()函数了:
from lxml import etree text = "<li><a href="link.html">first item</a></li>"html = etree.HTML(text)result = html.xpath("//li[contains(@class, "li")]/a/text()")print(result)
这样通过contains()方法,第一个参数传入属性名称,第二个参数传入属性值,只要此属性包含所传入的属性值,就可以完成匹配了。
["first item"]
此种方式在某个节点的某个属性有多个值时经常用到,如某个节点的class属性通常有多个。
多属性匹配
另外,我们可能还遇到一种情况,那就是根据多个属性确定一个节点,这时就需要同时匹配多个属性。此时可以使用运算符and来连接:
from lxml import etree text = "<li><a href="link.html">first item</a></li>"html = etree.HTML(text)result = html.xpath("//li[contains(@class, "li") and @name="item"]/a/text()")print(result)
这里的li节点又增加了一个属性name。要确定这个节点,需要同时根据class和name属性来选择,一个条件是class属性里面包含li字符串,另一个条件是name属性为item字符串,二者需要同时满足,需要用and操作符相连,相连之后置于中括号内进行条件筛选。运行结果如下:
["first item"]
这里的and其实是XPath中的运算符。另外,还有很多运算符,如or、mod等。
按序选择
有时候,我们在选择的时候某些属性可能同时匹配了多个节点,但是只想要其中的某个节点,这时可以利用中括号传入索引的方法获取特定次序的节点:
from lxml import etreetext = """<div> <ul> <li><a href="link1.html">first item</a></li> <li><a href="link2.html">second item</a></li> <li><a href="link3.html">third item</a></li> <li><a href="link4.html">fourth item</a></li> <li><a href="link5.html">fifth item</a> </ul> </div>"""html = etree.HTML(text)result = html.xpath("//li[1]/a/text()")print(result)result = html.xpath("//li[last()]/a/text()")print(result)result = html.xpath("//li[position()<3]/a/text()")print(result)result = html.xpath("//li[last()-2]/a/text()")print(result)
第一次选择时,我们选取了第一个li节点,中括号中传入数字1即可。注意,这里和代码中不同,序号是以1开头的,不是以0开头。第二次选择时,我们选取了最后一个li节点,中括号中传入last()即可,返回的便是最后一个li节点。第三次选择时,我们选取了位置小于3的li节点,也就是位置序号为1和2的节点,得到的结果就是前两个li节点。第四次选择时,我们选取了倒数第三个li节点,中括号中传入last()-2即可。因为last()是最后一个,所以last()-2就是倒数第三个。
运行结果如下:
["first item"]["fifth item"]["first item", "second item"]["third item"]
这里我们使用了last()、position()等函数。在XPath中,提供了100多个函数,包括存取、数值、字符串、逻辑、节点、序列等处理功能,它们的具体作用可以参考官方文档。
如果觉得《Python爬虫从入门到精通(解析库XPath的使用)》对你有帮助,请点赞、收藏,并留下你的观点哦!