Xpath 爬虫模块与lxml 爬虫模块 · 测试文档

## [Python爬虫利器三之Xpath语法与lxml库的用法] ## 前言前面我们介绍了 BeautifulSoup 的用法，这个已经是非常强大的库了，不过还有一些比较流行的解析库，例如 lxml，使用的是 Xpath 语法，同样是效率比较高的解析方法。如果大家对 BeautifulSoup 使用不太习惯的话，可以尝试下 Xpath。 ## 参考来源 lxml用法源自 lxml python 官方文档，更多内容请直接参阅官方文档，本文对其进行翻译与整理。 [lxml](http://lxml.de/index.html) XPath语法参考 w3school [w3school](http://www.w3school.com.cn/xpath/index.asp) ## 视频资源如果你对 XPath 不熟悉的话，可以看下这个视频资源： [web端功能自动化定位元素](https://www.imooc.com/learn/950) ## 安装 ``` pip install lxml ``` 利用 pip 安装即可 ## XPath语法 XPath 是一门在 XML 文档中查找信息的语言。XPath 可用来在 XML 文档中对元素和属性进行遍历。XPath 是 W3C XSLT 标准的主要元素，并且 XQuery 和 XPointer 都构建于 XPath 表达之上。 ### 节点关系（1）父（Parent）每个元素以及属性都有一个父。在下面的例子中，book 元素是 title、author、year 以及 price 元素的父： ``` <book> <title>Harry Potter</title> <author>J K. Rowling</author> <year>2005</year> <price>29.99</price> </book> ``` （2）子（Children）元素节点可有零个、一个或多个子。在下面的例子中，title、author、year 以及 price 元素都是 book 元素的子： ``` <book> <title>Harry Potter</title> <author>J K. Rowling</author> <year>2005</year> <price>29.99</price> </book> ``` （3）同胞（Sibling）拥有相同的父的节点在下面的例子中，title、author、year 以及 price 元素都是同胞： ``` <book> <title>Harry Potter</title> <author>J K. Rowling</author> <year>2005</year> <price>29.99</price> </book> ``` （4）先辈（Ancestor）某节点的父、父的父，等等。在下面的例子中，title 元素的先辈是 book 元素和 bookstore 元素： ``` <bookstore> <book> <title>Harry Potter</title> <author>J K. Rowling</author> <year>2005</year> <price>29.99</price> </book> </bookstore> ``` （5）后代（Descendant）某个节点的子，子的子，等等。在下面的例子中，bookstore 的后代是 book、title、author、year 以及 price 元素： ``` <bookstore> <book> <title>Harry Potter</title> <author>J K. Rowling</author> <year>2005</year> <price>29.99</price> </book> </bookstore> ``` ### 选取节点 XPath 使用路径表达式在 XML 文档中选取节点。节点是通过沿着路径或者 step 来选取的。 ### 下面列出了最有用的路径表达式： | 表达式 | 描述 | | --- | --- | | nodename | 选取此节点的所有子节点。 | | / | 从根节点选取。 | | // | 从匹配选择的当前节点选择文档中的节点，而不考虑它们的位置。 | | . | 选取当前节点。 | | .. | 选取当前节点的父节点。 | | @ | 选取属性。 | **实例** 在下面的表格中，我们已列出了一些路径表达式以及表达式的结果： | 路径表达式 | 结果 | | --- | --- | | bookstore | 选取 bookstore 元素的所有子节点。 | | /bookstore | 选取根元素 bookstore。注释：假如路径起始于正斜杠( / )，则此路径始终代表到某元素的绝对路径！ | | bookstore/book | 选取属于 bookstore 的子元素的所有 book 元素。 | | //book | 选取所有 book 子元素，而不管它们在文档中的位置。 | | bookstore//book | 选择属于 bookstore 元素的后代的所有 book 元素，而不管它们位于 bookstore 之下的什么位置。 | | //@lang | 选取名为 lang 的所有属性。 | ### 谓语（Predicates）谓语用来查找某个特定的节点或者包含某个指定的值的节点。谓语被嵌在方括号中。 **实例** 在下面的表格中，我们列出了带有谓语的一些路径表达式，以及表达式的结果： | 路径表达式 | 结果 | | --- | --- | | /bookstore/book\[1\] | 选取属于 bookstore 子元素的第一个 book 元素。 | | /bookstore/book\[last()\] | 选取属于 bookstore 子元素的最后一个 book 元素。 | | /bookstore/book\[last()-1\] | 选取属于 bookstore 子元素的倒数第二个 book 元素。 | | /bookstore/book\[position()<3\] | 选取最前面的两个属于 bookstore 元素的子元素的 book 元素。 | | //title\[@lang\] | 选取所有拥有名为 lang 的属性的 title 元素。 | | //title\[@lang=’eng’\] | 选取所有 title 元素，且这些元素拥有值为 eng 的 lang 属性。 | | /bookstore/book\[price>35.00\] | 选取 bookstore 元素的所有 book 元素，且其中的 price 元素的值须大于 35.00。 | | /bookstore/book\[price>35.00\]/title | 选取 bookstore 元素中的 book 元素的所有 title 元素，且其中的 price 元素的值须大于 35.00。 | ### 选取未知节点 XPath 通配符可用来选取未知的 XML 元素。 | 通配符 | 描述 | | --- | --- | | \* | 匹配任何元素节点。 | | @\* | 匹配任何属性节点。 | | node() | 匹配任何类型的节点。 | **实例** 在下面的表格中，我们列出了一些路径表达式，以及这些表达式的结果： | 路径表达式 | 结果 | | --- | --- | | /bookstore/\* | 选取 bookstore 元素的所有子元素。 | | //\* | 选取文档中的所有元素。 | | //title\[@\*\] | 选取所有带有属性的 title 元素。 | ### 选取若干路径通过在路径表达式中使用“|”运算符，您可以选取若干个路径。 **实例** 在下面的表格中，我们列出了一些路径表达式，以及这些表达式的结果： | 路径表达式 | 结果 | | --- | --- | | //book/title | //book/price | 选取 book 元素的所有 title 和 price 元素。 | | //title | //price | 选取文档中的所有 title 和 price 元素。 | | /bookstore/book/title | //price | 选取属于 bookstore 元素的 book 元素的所有 title 元素，以及文档中所有的 price 元素。 | ### XPath 运算符下面列出了可用在 XPath 表达式中的运算符： | 运算符 | 描述 | 实例 | 返回值 | | --- | --- | --- | --- | | | | 计算两个节点集 | //book | //cd | 返回所有拥有 book 和 cd 元素的节点集 | | + | 加法 | 6 + 4 | 10 | | – | 减法 | 6 – 4 | 2 | | \* | 乘法 | 6 \* 4 | 24 | | div | 除法 | 8 div 4 | 2 | | \= | 等于 | price=9.80 | 如果 price 是 9.80，则返回 true。如果 price 是 9.90，则返回 false。 | | != | 不等于 | price!=9.80 | 如果 price 是 9.90，则返回 true。如果 price 是 9.80，则返回 false。 | | < | 小于 | price<9.80 | 如果 price 是 9.00，则返回 true。如果 price 是 9.90，则返回 false。 | | <= | 小于或等于 | price<=9.80 | 如果 price 是 9.00，则返回 true。如果 price 是 9.90，则返回 false。 | | \> | 大于 | price>9.80 | 如果 price 是 9.90，则返回 true。如果 price 是 9.80，则返回 false。 | | \>= | 大于或等于 | price>=9.80 | 如果 price 是 9.90，则返回 true。如果 price 是 9.70，则返回 false。 | | or | 或 | price=9.80 or price=9.70 | 如果 price 是 9.80，则返回 true。如果 price 是 9.50，则返回 false。 | | and | 与 | price>9.00 and price<9.90 | 如果 price 是 9.80，则返回 true。如果 price 是 8.50，则返回 false。 | | mod | 计算除法的余数 | 5 mod 2 | 1 | ## lxml用法 ### 初步使用首先我们利用它来解析 HTML 代码，先来一个小例子来感受一下它的基本用法。 ``` from lxml import etree text = ''' <div> <ul> <li class="item-0"><a href="link1.html">first item</a></li> <li class="item-1"><a href="link2.html">second item</a></li> <li class="item-inactive"><a href="link3.html">third item</a></li> <li class="item-1"><a href="link4.html">fourth item</a></li> <li class="item-0"><a href="link5.html">fifth item</a> </ul> </div> ''' html = etree.HTML(text) result = etree.tostring(html) print(result) ``` 首先我们使用 lxml 的 etree 库，然后利用 etree.HTML 初始化，然后我们将其打印出来。其中，这里体现了 lxml 的一个非常实用的功能就是自动修正 html 代码，大家应该注意到了，最后一个 li 标签，其实我把尾标签删掉了，是不闭合的。不过，lxml 因为继承了 libxml2 的特性，具有自动修正 HTML 代码的功能。所以输出结果是这样的 XHTML ``` <html><body> <div> <ul> <li class="item-0"><a href="link1.html">first item</a></li> <li class="item-1"><a href="link2.html">second item</a></li> <li class="item-inactive"><a href="link3.html">third item</a></li> <li class="item-1"><a href="link4.html">fourth item</a></li> <li class="item-0"><a href="link5.html">fifth item</a></li> </ul> </div> </body></html> ``` 不仅补全了 li 标签，还添加了 body，html 标签。 ### 文件读取除了直接读取字符串，还支持从文件读取内容。比如我们新建一个文件叫做 hello.html，内容为 XHTML ``` <div> <ul> <li class="item-0"><a href="link1.html">first item</a></li> <li class="item-1"><a href="link2.html">second item</a></li> <li class="item-inactive"><a href="link3.html"><span class="bold">third item</span></a></li> <li class="item-1"><a href="link4.html">fourth item</a></li> <li class="item-0"><a href="link5.html">fifth item</a></li> </ul> </div> ``` 利用 parse 方法来读取文件。 ``` from lxml import etree html = etree.parse('hello.html') result = etree.tostring(html, pretty_print=True) print(result) ``` 同样可以得到相同的结果。 ### XPath实例测试依然以上一段程序为例（1）获取所有的《li》标签 Python ``` from lxml import etree html = etree.parse('hello.html') print type(html) result = html.xpath('//li') print result print len(result) print type(result) print type(result[0]) ``` 运行结果 ``` <type 'lxml.etree._ElementTree'> [<Element li at 0x1014e0e18>, <Element li at 0x1014e0ef0>, <Element li at 0x1014e0f38>, <Element li at 0x1014e0f80>, <Element li at 0x1014e0fc8>] 5 <type 'list'> <type 'lxml.etree._Element'> ``` 可见，etree.parse 的类型是 ElementTree，通过调用 xpath 以后，得到了一个列表，包含了 5 个 \<li> 元素，每个元素都是 Element 类型（2）获取 \<li> 标签的所有 class Python ``` result = html.xpath('//li/@class') print result ``` 运行结果 ``` ['item-0', 'item-1', 'item-inactive', 'item-1', 'item-0'] ``` （3）获取 \<li> 标签下 href 为 link1.html 的 \<a> 标签 Python ``` result = html.xpath('//li/a[@href="link1.html"]') print result ``` 运行结果 ``` [<Element a at 0x10ffaae18>] ``` （4）获取 \<li> 标签下的所有 \<spna> 标签注意这么写是不对的 Python ``` result = html.xpath('//li/span') ``` 因为 / 是用来获取子元素的，而 \<span> 并不是 \<li> 的子元素，所以，要用双斜杠 Python ``` result = html.xpath('//li//span') print result ``` 运行结果 1[<Element span at 0x10d698e18>] （5）获取 \<li> 标签下的所有 class，不包括 \<li> Python ``` result = html.xpath('//li/a//@class') print result ``` 运行结果 ``` ['blod'] ``` （6）获取最后一个 \<li> 的的 href Python ``` result = html.xpath('//li[last()]/a/@href') print result ``` 运行结果 ``` ['link5.html'] ``` （7）获取倒数第二个元素的内容 ``` result = html.xpath('//li[last()-1]/a') print result[0].text ``` 运行结果 ``` fourth item ``` （8）获取 class 为 bold 的标签名 Python ``` result = html.xpath('//*[@class="bold"]') print result[0].tag ``` 运行结果 ``` span ``` 通过以上实例的练习，相信大家对 XPath 的基本用法有了基本的了解。也可以利用 text 方法来获取元素的内容。大家多加练习！ ## 结语 XPath 是一个非常好用的解析方法，同时也作为爬虫学习的基础，在后面的 selenium 以及 scrapy 框架中都会涉及到这部分知识，希望大家可以把它的语法掌握清楚，为后面的深入研究做好铺垫。