Web爬虫|入门教程解析库lxml+XPth选择器

网络爬虫开发实战源码：https://github.com/MakerChen66/Python3Spider

原创不易，本文禁止抄袭、转载，多年爬虫实战开发经验总结，侵权必究！

一、XPth引入

当我们用正则表达式提取页面信息时会感觉比较繁琐，麻烦，而且如果有一个地方写错了，可能会导致匹配失败，所以使用正则表达式进行页面信息提取还是有一点不方便

那么，在页面解析时，我们可以利用XPth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文本或者属性，不就可以提取我们想要的任意信息了吗？

在Python中这种解析库很多，其中比较强大的库有lxml，Beautiful Soup，pyquery等。其中Beautiful Soup之前已经为大家介绍过了，接下来将为大家介绍在lxml解析库中如何使用XPth选择器去定位节点元素，有了它们，我们就不需要再为正则表达式发愁，解析效率也会大大提高

二、XPth使用

XPth，全称为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，但是它同样适用于HTML文档的搜索

2.1 XPth概览

XPath的选择功能十分强大，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官方网站：
https://www.w3.org/TR/xpath/

2.2 XPath常用规则

表达式	描述
nodename	选取此节点的所有子节点
/	从当前节点选取所有直接子节点
//	从当前节点选取所有子孙节点
.	选取当前节点
…	选取当前节点的父子点
@	选取属性

这里列出了XPath的常用规则，示例如下：
//div[@name=‘loginname’]
这是一个XPath规则，表示选择所有名称为div，属性name为loginname的节点

后面会通过解析库lxml，利用XPath对HTML进行定位解析

2.3 安装

工欲善其事，必先利其器，先安装一下解析库lxml，若已安装可忽略

pip install lxml -i https://pypi.doubanio.com/simple

这里用-i指定安装的URL，此URL为豆瓣源，也可自行使用清华源，阿里源等。之所以要使用国内镜像源进行安装，是因为默认的安装URL是外网，可能会因为连接超时而导致安装失败，相信各位深有体会。使用国内镜像源秒安

也可使用PyCharm在软件内部进行安装

三、XPth实例

3.1 实例引入

现在通过实例来感受一下使用XPath对HTML进行解析的过程，如下：

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.decode('utf-8'))

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，这样就成功创建了一个XPath解析对象。需要注意的是，上面HTML文本中的最后一个li节点是没有闭合的，但是etree可以自动修正HTML文本

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，接着利用decode()方法将其转成str类型，输出结果如下：
在这里插入图片描述
可以看到，处理之后，li节点标签被补全，并且还自动添加了body、html节点

另外，也可以直接读取文本文件进行解析，示例如下：

from lxml import etree

html = etree.parse('./test.html', etree.HTMLParser())
result = etree.tostring(html)
print(result.decode('utf-8'))

test.html的内容就是上面例子中的HTML代码，./表示当前目录下，输出如下：
在这里插入图片描述

3.2 所有节点

一般我们会用以//开头的XPath规则来选取所有符合要求的节点。以前面的HTML为例，如果要选取所有节点，可以这样实现：

from lxml import etree

html = etree.parse('./test.html', etree.HTMLParser())
result = html.xpath('//*')
print(result)

输出结果如下：
在这里插入图片描述
使用*代表匹配所有节点，也就是说整个HTML文本中的所有节点都会被获取。返回的是一个列表，每个元素都是Element类型，后面是节点的名称，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。例如想获取所有li节点：

from lxml import etree

html = etree.parse('./test.html', etree.HTMLParser())
result = html.xpath('//li')
print(result)
print(result[0])

选取所有li节点，可以使用//再加上节点名称即可，调用时直接使用xpath()方法
在这里插入图片描述
可以看到输出结果也是一个列表形式，每个元素都是Element对象。如果想要取出其中一个对象，可以直接用中括号加索引，如[0]

3.3 子节点

我们通过/或//即可查找元素的子节点或子孙节点。如果现在想选择li节点的所有直接子节点a，我们可以这样实现：

from lxml import etree

html = etree.parse('./test.html', etree.HTMLParser())
result = html.xpath('//li/a')
print(result)

输出结果如下：
在这里插入图片描述
这里通过在后面添加/a表示选择了所有li节点的所有直接子节点a，如果想选择li节点所有的子孙节点a，就写成//a，当然这样写的输出结果和上面是一样的，因为li节点之后只有一个a节点

3.4 父节点

我们知道用/或//可以选取所有的直接子节点或子孙节点，那么如果我们知道了子节点，怎样来查找父节点呢？可以用…来实现

假如现在要选取href属性值为link4.html的a节点，然后再获取其父节点的class属性值，实现代码如下：

from lxml import etree

html = etree.parse('./test.html', etree.HTMLParser())
result = html.xpath('//a[@href="link4.html"]/../@class')
print(result)

输出结果如下：

['item-1']
[Finished in 0.5s]

检查一下test.html，发现’item-1’正是我们获取的目标li节点的的class

我们也可以通过parent::来获取父节点，代码如下：

from lxml import etree

html = etree.parse('./test.html', etree.HTMLParser())
result = html.xpath('//a[@href="link4.html"]/parent::*/@class')
print(result)

输出结果也和上面一样。这种写法叫节点轴，详情请看第四部分

3.5 属性匹配

在选取的时候，可以用@符号进行属性过滤。比如我们要选取class为item-0的li节点，可以这样实现：

from lxml import etree

html = etree.parse('./test.html', etree.HTMLParser())
result = html.xpath('//li[@class="item-0"]')
print(result)

输出结果如下：

[<Element li at 0x2176e366a48>, <Element li at 0x2176e366a88>]

匹配结果是两个，至于是不是正确的那两个，我们后面再验证

3.6 文本获取

XPath中的text()方法可以获取节点中的文本，接下来尝试获取前面li节点中a节点的文本，代码如下：

from lxml import etree

html = etree.parse('./test.html', etree.HTMLParser())
result = html.xpath('//li[@class="item-0"]/a/text()')
print(result)

输出结果如下：

['first item', 'fifth item']

可以看到，这里返回值是两个，我们先选取了属性为item-0的所有li节点，又利用/选取了其所有直接子节点a，然后再获取其文本，得到的结果正好是我们想要的两个结果

3.7 属性获取

用text()可以获取节点文本，那么节点属性该怎么获取呢？用@符号就行。比如我们想要获取所有li节点下所有a节点的href属性，代码如下：

from lxml import etree

html = etree.parse('./test.html', etree.HTMLParser())
result = html.xpath('//li/a/@href')
print(result)

输出结果如下：

['link1.html', 'link2.html', 'link3.html', 'link4.html', 'link5.html']

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=“link2.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

3.8 属性多值匹配

有时候，节点的某个属性可能有多个值，例如：

from lxml import etree

text = '''
<li class="li li-first"><a href="link.html">first item</a></li>
'''
html = etree.HTML(text)
result = html.xpath('//li[@class="li"]/a/text()')
print(result)

输出结果如下：

[]

一个空的列表，因为text文本中li节点的class属性有两个值li和li-first，而此时还用之前的属性匹配获取，就无法匹配了

这时就需要用到contains()函数了，代码可以改写如下：

from lxml import etree

text = '''
<li class="li li-first"><a href="link.html">first item</a></li>
'''
html = etree.HTML(text)
result = html.xpath('//li[contains(@class, "li")]/a/text()')
print(result)

输出结果如下：

['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

3.9 多属性匹配

另外,我们可能还会遇到一种情况,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,示例如下：

from lxml import etree

text = '''
<li class="li li-first" name="item"><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)

输出结果如下：

['first item']

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1i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

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，更多运算符可参考链接：
https://www.w3school.com.cn/xpath/xpath_operators.asp

3.10 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,如第二个节点或者最后一个节点,这时该怎么办呢?

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，示例如下：

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 = 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last0)-2即可。因为last()是最后一个,所以last()-2就是倒数第三个

输出结果如下：
在这里插入图片描述
这里我们使用了last()、position()等函数。在XPah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,更多的函数及作用可以参考链接:
http://www.w3school.com.cn/xpath/xpath_functions.asp

四、XPth节点轴

4.1 XPth常用节点抽

XPath提供了很多节点轴选择方法，包括获取子元素，兄弟元素，父元素，祖先元素等，示例如下：

from lxml import etree

text = '''
<div>
    <ul>
         <li class="item-0"><a href="link1.html"><span>first item</span></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 = html.xpath('//li[1]/ancestor::*')
print(result)
result = html.xpath('//li[1]/ancestor::div')
print(result)
result = html.xpath('//li[1]/attribute::*')
print(result)
result = html.xpath('//li[1]/child::a[@href="link1.html"]')
print(result)
result = html.xpath('//li[1]/descendant::span')
print(result)
result = html.xpath('//li[1]/following::*[2]')
print(result)
result = html.xpath('//li[1]/following-sibling::*')
print(result)

输出结果如下：
在这里插入图片描述
第一次选择时,我们调用了ancestor轴,可以获取所有祖先节点。其后需要跟两个冒号。然后是节点的选择器,这里我们直接使用*，表示匹配所有节点,因此返回结果是第一个li节点的所有祖先节点，包括html、body、div和ul

第二次选择时,我们又加了限定条件，这次在冒号后面加了div，这样得到的结果就只有div这个祖先节点了

第三次选择时，我们调用了attribute轴，可以获取所有属性值，其后跟的选择器还是*，这代表获取节点的所有属性，返回值就是li节点的所有属性值

第四次选择时，我们调用了child轴，可以获取所有直接子节点。这里我们又加了限定条件，选择href属性为的link1.html的节点

第五次选挥时，我们调用了descendant轴，可以获取所有子孙节点。这里我们又加了限定条件获取span节点，所以返回的结果只包含span节点而不包含a节点

第六次选择时,我们调用了following轴，可以获取当前节点之后的所有节。这里我们虽然使用的是*匹配，但又加了索引选择，所以只获取了第二个后续节点

第七次选择时,我们调用了following-sibling轴，可以获取当前节点之后的所有同级节点。这里我们使用*匹配,所以获取了所有后续同级节点

4.2 总结

我们基本上把可能用到的XPath选择器介绍完了。XPath选择器功能十分强大，内置函数非常多，熟练之后，可以大大提升HTML信息的提取效率

更多节点轴的用法可以参考链接：
https://www.w3school.com.cn/xpath/xpath_axes.asp

更多XPath的用法可以查看链接：
https://www.w3school.com.cn/xpath/index.asp

更多lxml库的用法可以查看官网：
https://lxml.de/

五、原文阅读

本人原创公众号原文链接：阅读原文

原创不易，如果觉得有点用，希望可以随手点个赞，拜谢各位老铁！

六、作者Info

作者：小鸿的摸鱼日常，Goal：让编程更有趣！

原创微信公众号：『小鸿星空科技』，专注于算法、爬虫，网站，游戏开发，数据分析、自然语言处理，AI等，期待你的关注，让我们一起成长、一起Coding！

转载说明：本文禁止抄袭、转载，侵权必究！