python爬虫使用xpath解析页面和提取数据

2022-06-15 10:58:38

XPath解析页面和提取数据

一、简介

关注公众号“轻松学编程”了解更多。

XPath即为XML路径语言，它是一种用来确定XML（标准通用标记语言的子集）文档中某部分位置的语言。XPath基于XML的树状结构，有不同类型的节点，包括元素节点，属性节点和文本节点，提供在数据结构树中找寻节点的能力。

二、什么是 XPath?

XPath 使用路径表达式在 XML 文档中进行导航
XPath 包含一个标准函数库
XPath 是 XSLT 中的主要元素
XPath 是一个 W3C 标准

三、使用xpath

1导入模块

#首先安装库 pip install lxml

import lxml

from lxml import etree

2、XPath Helper插件

chrome插件网：http://www.cnplugins.com/

GitHub下载:https://github.com/liangdongchang/tools

在谷歌浏览器添中加插件

Ctrl + Shift + X打开或关闭插件

3、XPath 术语

节点（Node）

在 XPath 中，有七种类型的节点：元素、属性、文本、命名空间、处理指令、注释以及文档（根）节点。XML 文档是被作为节点树来对待的。树的根被称为文档节点或者根节点。

请看下面这个 XML 文档：

<?xml version="1.0" encoding="ISO-8859-1"?>

<bookstore>

    <book>

        <title lang="en">Harry Potter</title>

        <author>J K. Rowling</author>

        <year>2005</year>

        <price>29.99</price>

    </book>

</bookstore>

基本值（或称原子值，Atomic value）

基本值是无父或无子的节点。

项目（Item）

项目是基本值或者节点。

节点关系

父（Parent）

每个元素以及属性都有一个父。

子（Children）

元素节点可有零个、一个或多个子。

同胞（Sibling）

拥有相同的父的节点

先辈（Ancestor）

某节点的父、父的父，等等。

后代（Descendant）

某个节点的子，子的子，等等。

4、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
/	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。

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。

#####5、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。

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()️]	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。

#####6、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。

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。

#####7、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。

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。

import lxml

from lxml import etree

html_doc = '''

<!DOCTYPE html>

<html lang="en">

<head>

    <meta charset="UTF-8">

    <title>Title</title>

</head>

<body>

    <ul>

        <li id='l1' class="liClass">1</li>

        <li id='l2'>2</li>

        <li class="liClass">3</li>

        <li id='l4'>4</li>

        <li class="liClass">5</li>

    </ul>

    <div class="liClass">

    </div>

</body>

</html>

'''

mytree = lxml.etree.HTML(html_doc)

# ElementTree object

print(mytree)

print(mytree.xpath('/html/text()'))

print(mytree.xpath('/ul'))

# / 从根元素开始，相当于绝对路径

print(mytree.xpath('/html/body/ul'))

# // 全局搜索，找到所有

print(mytree.xpath('//li'))

ul = mytree.xpath('//ul')

# . 当前

# 返回的都是列表，查找到所有

li = ul[0].xpath('./li')

print(li)

for l in li:

    # 获取属性id的值 @id

    print(l.xpath('./@id'))

# 定位 /标签[@属性='值']

liClass = mytree.xpath("//li[@class='liClass']")

print(liClass)

# 判断，@属性='值' --->返回True或False

print(mytree.xpath("//li/@id='12'"))

print("===========================")

# 直接使用下标访问，下标从1开始 获取对个li里面的文本

print(mytree.xpath('//li[2]/text()'))

# last()最后一个

print(mytree.xpath('//li[last()]/text()'))

# 倒数第二个

print(mytree.xpath('//li[last()-1]/text()'))

# position() 位置 > < = >= <=

print(mytree.xpath('//li[position()>1]'))

# * 通配

print(mytree.xpath('//*[@class="liClass"]'))

# 或 |

print(mytree.xpath('//li[@class="liClass"] | //div[@class="liClass"]'))

后记

【后记】为了让大家能够轻松学编程，我创建了一个公众号【轻松学编程】，里面有让你快速学会编程的文章，当然也有一些干货提高你的编程水平，也有一些编程项目适合做一些课程设计等课题。

也可加我微信【1257309054】，拉你进群，大家一起交流学习。
如果文章对您有帮助，请我喝杯咖啡吧！

公众号

关注我，我们一起成长~~

码农公寓