快捷導(dǎo)航

Python中利用xpath解析HTML的方法

更新時間：2018年05月14日 14:01:49 作者：whgiser

本篇文章主要介紹了Python中利用xpath解析HTML的方法，利用其lxml.html的xpath對html進行分析，獲取抓取信息，具有一定的參考價值，感興趣的小伙伴們可以參考一下

在進行網(wǎng)頁抓取的時候，分析定位html節(jié)點是獲取抓取信息的關(guān)鍵，目前我用的是lxml模塊(用來分析XML文檔結(jié)構(gòu)的，當然也能分析html結(jié)構(gòu))，利用其lxml.html的xpath對html進行分析，獲取抓取信息。

首先，我們需要安裝一個支持xpath的python庫。目前在libxml2的網(wǎng)站上被推薦的python binding是lxml，也有beautifulsoup，不嫌麻煩的話還可以自己用正則表達式去構(gòu)建，本文以lxml為例講解。

假設(shè)有如下的HTML文檔:

<html>
 <body>
  <form>
   <div id='leftmenu'>
    <h3>text</h3>
    <ul id='china'><!-- first location -->
     <li>...</li>
     <li>...</li>
       ......
    </ul>
    <ul id='england'><!-- second location-->
     <li>...</li>
     <li>...</li>
       ......
    </ul>
   </div>
  </form>
 </body>
</html>

直接使用lxml處理：

 import codecs
 from lxml import etree
 f=codecs.open("ceshi.html","r","utf-8")
 content=f.read()
 f.close()
 tree=etree.HTML(content)

etree提供了HTML這個解析函數(shù)，現(xiàn)在我們可以直接對HTML使用xpath了，是不是有點小激動，現(xiàn)在就嘗試下吧。

在使用xpath之前我們先來看看作為對照的jQuery和RE。

在jQuery里要處理這種東西就很簡單，特別是假如那個ul節(jié)點有id的話（比如是<ul id='china'>）：

$("#china").each(function(){...});

具體到此處是：

復(fù)制代碼代碼如下:

$("#leftmenu").children("h3:contains('text')").next("ul").each(function(){...});

找到id為leftmenu的節(jié)點，在其下找到一個內(nèi)容包含為”text”的h3節(jié)點，再取其接下來的一個ul節(jié)點。

在python里要是用RE來處理就略麻煩一些：

block_pattern=re.compile(u"<h3>檔案</h3>(.*?)<h3>", re.I | re.S)
m=block_pattern.findall(content)
item_pattern=re.compile(u"<li>(.*?)</li>", re.I | re.S)
items=item_pattern.findall(m[0])
for i in items:
  print i

那么用xpath要怎么做呢？其實跟jQuery是差不多的：

nodes=tree.xpath("/descendant::ul[@id='china']")

當然，現(xiàn)在沒有id的話也就只能用類似于jQuery的方法了。完整的xpath應(yīng)該是這樣寫的（注意，原文件中的TAG有大小寫的情況，但是在XPATH里只能用小寫）：

復(fù)制代碼代碼如下:

nodes=tree.xpath(u"/html/body/form/div[@id='leftmenu']/h3[text()='text']/following-sibling::ul[1]")

更簡單的方法就是像jQuery那樣直接根據(jù)id定位：

nodes=tree.xpath(u"http://div[@id='leftmenu']/h3[text()='text']/following-sibling::ul[1]")

這兩種方法返回的結(jié)果中，nodes[0]就是那個“text”的h3節(jié)點后面緊跟的第一個ul節(jié)點,這樣就可以列出后面所有的ul節(jié)點內(nèi)容了。

如果ul節(jié)點下面還有其他的節(jié)點，我們要找到更深節(jié)點的內(nèi)容，如下的循環(huán)就是把這些節(jié)點的文本內(nèi)容列出：

nodes=nodes[0].xpath("li/a")
for n in nodes:
  print n.text

對比三種方法應(yīng)該可以看出xpath和jQuery對于頁面的解析都是基于XML的語義進行，而RE則純粹是基于plain text。RE對付簡單的頁面是沒有問題，如果頁面結(jié)構(gòu)復(fù)雜度較高的時候（比如一堆的DIV來回嵌套之類），設(shè)計一個恰當?shù)腞E pattern可能會遠比寫一個xpath要復(fù)雜。特別是目前主流的基于CSS的頁面設(shè)計方式，其中大部分關(guān)鍵節(jié)點都會有id――對于使用jQuery的頁面來說則更是如此，這時xpath相比RE就有了決定性的優(yōu)勢。

附錄：基本XPATH語法介紹，詳細請參考XPath的官方文檔

XPATH基本上是用一種類似目錄樹的方法來描述在XML文檔中的路徑。比如用“/”來作為上下層級間的分隔。第一個“/”表示文檔的根節(jié)點（注意，不是指文檔最外層的tag節(jié)點，而是指文檔本身）。比如對于一個HTML文件來說，最外層的節(jié)點應(yīng)該是”/html”。

同樣的，“..”和“.”分別被用來表示父節(jié)點和本節(jié)點。

XPATH返回的不一定就是唯一的節(jié)點，而是符合條件的所有節(jié)點。比如在HTML文檔里使用“/html/head/scrpt”就會把head里的所有script節(jié)點都取出來。

為了縮小定位范圍，往往還需要增加過濾條件。過濾的方法就是用“[”“]”把過濾條件加上。比如在HTML文檔里使用“/html/body/div[@id='main']”，即可取出body里id為main的div節(jié)點。

其中@id表示屬性id，類似的還可以使用如@name, @value, @href, @src, @class….

而函數(shù)text()的意思則是取得節(jié)點包含的文本。比如：<div>hello<p>world</p>< /div>中，用”div[text()='hello']“即可取得這個div，而world則是p的text()。

函數(shù)position()的意思是取得節(jié)點的位置。比如“l(fā)i[position()=2]”表示取得第二個li節(jié)點，它也可以被省略為“l(fā)i[2]”。

不過要注意的是數(shù)字定位和過濾條件的順序。比如“ul/li[5][@name='hello']”表示取ul下第五項li，并且其name必須是hello，否則返回空。而如果用 “ul/li[@name='hello'][5]”的意思就不同，它表示尋找ul下第五個name為”hello“的li節(jié)點。

此外，“*”可以代替所有的節(jié)點名，比如用”/html/body/*/span”可以取出body下第二級的所有span，而不管它上一級是div還是p或是其它什么東東。

而 “descendant::”前綴可以指代任意多層的中間節(jié)點，它也可以被省略成一個“/”。比如在整個HTML文檔中查找id為“l(fā)eftmenu”的 div，可以用“/descendant::div[@id='leftmenu']”，也可以簡單地使用“ //div[@id='leftmenu']”。

至于“following-sibling::”前綴就如其名所說，表示同一層的下一個節(jié)點?！眆ollowing-sibling::*”就是任意下一個節(jié)點，而“following-sibling::ul”就是下一個ul節(jié)點。

以上就是本文的全部內(nèi)容，希望對大家的學習有所幫助，也希望大家多多支持腳本之家。

您可能感興趣的文章: