python爬蟲指南之xpath實(shí)例解析(附實(shí)戰(zhàn))

更新時(shí)間：2022年01月29日 09:12:55 作者：李富貴要上岸985

在進(jìn)行網(wǎng)頁抓取的時(shí)候,分析定位html節(jié)點(diǎn)是獲取抓取信息的關(guān)鍵,目前我用的是lxml模塊,下面這篇文章主要給大家介紹了關(guān)于python爬蟲指南之xpath實(shí)例解析的相關(guān)資料,需要的朋友可以參考下

前言

XPath，全稱XML Path Language，即XML路徑語言，它是一門在XML文檔中查找信息的語言，它最初是用來搜尋XML文檔的，但是它同樣適用于HTML文檔的搜索

XPath的選擇功能十分強(qiáng)大，它提供了非常簡明的路徑選擇表達(dá)式，另外，它還提供了超過100個(gè)內(nèi)建函數(shù)，用于字符串、數(shù)值、時(shí)間的匹配以及節(jié)點(diǎn)、序列的處理等，幾乎所有我們想要定位的節(jié)點(diǎn)，都可以用XPath來選擇

xpath解析原理:

1.實(shí)現(xiàn)標(biāo)簽的定位：實(shí)例化一個(gè)etree的對象，且需要將被解析的頁面源碼數(shù)據(jù)加載到該對象中。

2.調(diào)用etree對象中的xpath方法結(jié)合著xpath表達(dá)式實(shí)現(xiàn)標(biāo)簽的定位和內(nèi)容的捕獲。

環(huán)境的安裝

pip install lxml

lxml是python的一個(gè)解析庫，支持HTML和XML的解析，支持XPath解析方式，而且解析效率非常高

如何實(shí)例化一個(gè)etree對象

1.將本地的html文檔中的源碼數(shù)據(jù)加載到etree對象中:

etree. parse(filePath)#你的文件路徑

2.可以將從互聯(lián)網(wǎng)上獲取的源碼數(shù)據(jù)加載到該對象中

etree.HtML('page_ text')#page_ text互聯(lián)網(wǎng)中響應(yīng)的數(shù)據(jù)

xpath 表達(dá)式

表達(dá)式	描述
nodename	選取此節(jié)點(diǎn)的所有子節(jié)點(diǎn)
/	表示的是從根節(jié)點(diǎn)開始定位。表示的是一個(gè)層級。
//	表示的是多個(gè)層級?？梢员硎緩娜我馕恢瞄_始定位。
.	選取當(dāng)前節(jié)點(diǎn)
…	選取當(dāng)前節(jié)點(diǎn)的父節(jié)點(diǎn)
@	選取屬性
*	通配符，選擇所有元素節(jié)點(diǎn)與元素名
@*	選取所有屬性
[@attrib]	選取具有給定屬性的所有元素
[@attrib=‘value’]	選取給定屬性具有給定值的所有元素
[tag]	選取所有具有指定元素的直接子節(jié)點(diǎn)
[tag=‘text’]	選取所有具有指定元素并且文本內(nèi)容是text節(jié)點(diǎn)

對上面表達(dá)式的實(shí)例詳解

這是一個(gè)HTML的文檔

<html lang="en">
<head>
	<meta charset="UTF-8" />
	<title>測試bs4</title>
</head>
<body>
	<div>
		<p>百里守約</p>
	</div>
	<div class="song">
		<p>李清照</p>
		<p>王安石</p>
		<p>蘇軾</p>
		<p>柳宗元</p>
		<a  title="趙匡胤" target="_self">
			<span>this is span</span>
		宋朝是最強(qiáng)大的王朝，不是軍隊(duì)的強(qiáng)大，而是經(jīng)濟(jì)很強(qiáng)大，國民都很有錢</a>
		<a href="" class="du">總為浮云能蔽日,長安不見使人愁</a>
		<img src="http://www.baidu.com/meinv.jpg" alt="" />
	</div>
	<div class="tang">
		<ul>
			<li><a  title="qing">清明時(shí)節(jié)雨紛紛,路上行人欲斷魂,借問酒家何處有,牧童遙指杏花村</a></li>
			<li><a  title="qin">秦時(shí)明月漢時(shí)關(guān),萬里長征人未還,但使龍城飛將在,不教胡馬度陰山</a></li>
			<li><a  alt="qi">岐王宅里尋常見,崔九堂前幾度聞,正是江南好風(fēng)景,落花時(shí)節(jié)又逢君</a></li>
			<li><a  class="du">杜甫</a></li>
			<li><a  class="du">杜牧</a></li>
			<li><b>杜小月</b></li>
			<li><i>度蜜月</i></li>
			<li><a  id="feng">鳳凰臺(tái)上鳳凰游,鳳去臺(tái)空江自流,吳宮花草埋幽徑,晉代衣冠成古丘</a></li>
		</ul>
	</div>
</body>
</html>

從瀏覽器中打開是這樣的

為了方便直觀，我們對寫個(gè)HTML文件進(jìn)行本地讀取進(jìn)行測試

子節(jié)點(diǎn)和子孫節(jié)點(diǎn)的定位 / 和 //

先來看子節(jié)點(diǎn)和子孫節(jié)點(diǎn)，我們從上往下找div這個(gè)節(jié)點(diǎn)，可以看到div的父節(jié)點(diǎn)是body，body父節(jié)點(diǎn)是html

定位到這個(gè)HTML的div對象中，看上面html源碼，可以知道有三個(gè)div對象

我們通過三種不同的方法來輸出這個(gè)節(jié)點(diǎn)的信息，可以看到輸出的是三個(gè)一樣的Element，也就是這三種方法實(shí)現(xiàn)的功能是一樣的。

import requests
from lxml import etree
tree = etree.parse('test.html')
r1=tree.xpath('/html/body/div')	#直接從上往下挨著找節(jié)點(diǎn)
r2=tree.xpath('/html//div')#跳躍了一個(gè)節(jié)點(diǎn)來找到這個(gè)div節(jié)點(diǎn)的對象
r3=tree.xpath('//div')##跳躍上面所有節(jié)點(diǎn)來尋找div節(jié)點(diǎn)的對象
r1,r2,r3

>>
([<Element div at 0x19d44765108>,
  <Element div at 0x19d447658c8>,
  <Element div at 0x19d44765588>],
  
 [<Element div at 0x19d44765108>,
  <Element div at 0x19d447658c8>,
  <Element div at 0x19d44765588>],
  
 [<Element div at 0x19d44765108>,
  <Element div at 0x19d447658c8>,
  <Element div at 0x19d44765588>])

屬性定位

如果我只想要div里面song這一個(gè)標(biāo)簽，就可以對其屬性定位

當(dāng)然返回的還是一個(gè)element

r4=tree.xpath('//div[@class="song"]')
r4

>>
>[<Element div at 0x19d447658c8>]

索引定位

如果我只想獲得song里面的蘇軾的這個(gè)標(biāo)簽

我們找到了song，/p可以返回里面的所有標(biāo)簽，

tree.xpath('//div[@class="song"]/p')
>>
[<Element p at 0x19d4469a648>,
 <Element p at 0x19d4469a4c8>,
 <Element p at 0x19d4469af88>,
 <Element p at 0x19d4469a148>]

這個(gè)單獨(dú)返回的蘇軾的p標(biāo)簽，要注意的是這里的索引不是從0開始的，而是1

tree.xpath('//div[@class="song"]/p[3]')
[<Element p at 0x19d4469af88>]

取文本

比如我想取杜牧這個(gè)文本內(nèi)容

和上面一樣，我們要定位到杜牧的這個(gè)a標(biāo)簽，首先要找到他的上一級 li ，這是第五個(gè) li 里面的a所以就有了下面的寫法，text()是把element轉(zhuǎn)化為文本，當(dāng)然上面的在后面加個(gè)text（）都可以展示文本內(nèi)容。

tree.xpath('//div[@class="tang"]//li[5]/a/text()')

>>
['杜牧']

可以看到這個(gè)返回的是一個(gè)列表，如果我們想取里面的字符串，可以這樣

tree.xpath('//div[@class="tang"]//li[5]/a/text()')[0]

杜牧

看一個(gè)更直接的，//li 直接定位到 li這個(gè)標(biāo)簽，//text（）直接將這個(gè)標(biāo)簽下的文本提取出來。但要注意，這樣會(huì)把所有的li標(biāo)簽下面的文本提取出來，有時(shí)候你并不想要的文本也會(huì)提取出來，所以最好還是寫詳細(xì)一點(diǎn)，如具體到哪個(gè)div里的li。

tree.xpath('//li//text()')

['清明時(shí)節(jié)雨紛紛,路上行人欲斷魂,借問酒家何處有,牧童遙指杏花村',
 '秦時(shí)明月漢時(shí)關(guān),萬里長征人未還,但使龍城飛將在,不教胡馬度陰山',
 '岐王宅里尋常見,崔九堂前幾度聞,正是江南好風(fēng)景,落花時(shí)節(jié)又逢君',
 '杜甫',
 '杜牧',
 '杜小月',
 '度蜜月',
 '鳳凰臺(tái)上鳳凰游,鳳去臺(tái)空江自流,吳宮花草埋幽徑,晉代衣冠成古丘']

取屬性

比如我想取下面這個(gè)屬性

可以直接用@取屬性

tree.xpath('//div[@class="song"]/img/@src')

['http://www.baidu.com/meinv.jpg']

或者如果我想取所有的href這個(gè)屬性，可以看到tang和song的所有href屬性

tree.xpath('//@href')

['http://www.song.com/',
 '',
 'http://www.baidu.com',
 'http://www.163.com',
 'http://www.126.com',
 'http://www.sina.com',
 'http://www.dudu.com',
 'http://www.haha.com']

爬蟲實(shí)戰(zhàn)之58同城房源信息

#導(dǎo)入必要的庫
import requests
from lxml import etree
#URL就是網(wǎng)址，headers看圖一
url='https://sh.58.com/ershoufang/'
headers={'User-Agent':'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/83.0.4103.7 Safari/537.36'}
#對網(wǎng)站發(fā)起請求
page_test=requests.get(url=url,headers=headers).text
# 這里是將從互聯(lián)網(wǎng)上獲取的源碼數(shù)據(jù)加載到該對象中
tree=etree.HTML(page_test)
#先看圖二的解釋，這里li有多個(gè)，所里返回的li_list是一個(gè)列表
li_list=tree.xpath('//ul[@class="house-list-wrap"]/li')
#這里我們打開一個(gè)58.txt文件來保存我們的信息
fp=open('58.txt','w',encoding='utf-8')
#li遍歷li_list
for li in li_list:
	#這里 ./是對前面li的繼承，相當(dāng)于li/div...
    title=li.xpath('./div[2]/h2/a/text()')[0]
    print(title+'\n')
    #把文件寫入文件
    fp.write(title+'\n')
fp.close()

圖一：