Python爬虫之（九）数据提取-XPath

介绍

之前 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
w3c http://www.w3school.com.cn/xpath/index.asp

安装

pip install lxml

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
节点的关系

父（Parent）
子（Children）
同胞（Sibling）
先辈（Ancestor）
后代（Descendant）

选取节点

常用的路径表达式:

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

通配符
XPath 通配符可用来选取未知的 XML 元素

通配符	描述	举例	结果
*	匹配任何元素节点	xpath(‘div/*’)	获取div下的所有子节点
@*	匹配任何属性节点	xpath(‘div[@*]’)	选取所有带属性的div节点
node()	匹配任何类型的节点

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

表达式	结果
xpath(’//div	//table’)

谓语
谓语被嵌在方括号内，用来查找某个特定的节点或包含某个制定的值的节点

表达式	结果
xpath(’/body/div[1]’)	选取body下的第一个div节点
xpath(’/body/div[last()]’)	选取body下最后一个div节点
xpath(’/body/div[last()-1]’)	选取body下倒数第二个节点
xpath(’/body/div[positon() < 3]’)	选取body下前丙个div节点
xpath(’/body/div[@class]’)	选取body下带有class属性的div节点
xpath(’/body/div[@class=“main”]’)	选取body下class属性为main的div节点
xpath(’/body/div[price>35.00]’)	选取body下price元素大于35的div节点

XPath 运算符

运算符	描述	实例	返回值
+	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

小例子

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:

<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:

<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具体使用
依然以上一段程序为例

获取所有的 <li> 标签

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>]

<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

获取<li>标签的所有 class

result = html.xpath('//li/@class')
print (result)

运行结果

['item-0', 'item-1', 'item-inactive', 'item-1', 'item-0']

获取 <li> 标签下 href 为 link1.html 的 <a>标签

result = html.xpath('//li/a[@href="link1.html"]')
print (result)

运行结果

[<Element a at 0x10ffaae18>]

获取<li>标签下的所有 <span> 标签
注意: 这么写是不对的

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
result = html.xpath('//li//span')
print(result)

运行结果

[<Element span at 0x10d698e18>]

获取 <li> 标签下的所有 class，不包括<li>

result = html.xpath('//li/a//@class')
print (result)
#运行结果
['blod']

获取最后一个 <li> 的 <a>的 href

result = html.xpath('//li[last()]/a/@href')
print (result)

运行结果

['link5.html']

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

获取 class 为 bold 的标签名

result = html.xpath('//*[@class="bold"]')
print (result[0].tag)

运行结果

span

选择XML文件中节点

element（元素节点）
attribute（属性节点）
text （文本节点）
concat(元素节点,元素节点)
comment （注释节点）
root （根节点）

案例

需求：爬取起点中文网小说的名称

from lxml import etree
import requests

url = "https://www.qidian.com/rank/yuepiao?chn=21"

headers = {
    "User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/66.0.3359.139 Safari/537.36"
}

resp = requests.get(url)

e = etree.HTML(resp.text)

names = e.xpath('//div[@class="book-mid-info"]/h4/a/text()')

print(names)

结果：

['天道图书馆', '诡秘之主', '天阿降临', '圣武称尊', '太初', '牧神记', '史上最强赘婿', '这里有妖气', '伏天氏', '圣墟', '东皇大帝', '儒道至圣', '全职法师', '大道朝天', '万古神帝', '异界召唤之千古群雄', '恶魔就在身边', '万古最强宗', '我是至尊', '超神制卡师']