Python爬虫系列教程04之通过Xpath解析网页数据
程序员文章站
2024-01-27 14:13:34
...
配套****
全称 XML Path Language 是一门在XML文档中 查找信息的语言 最初是用来搜寻XML文档的 但是它同样适用于HTML文档的搜索
XPath 的选择功能十分强大，它提供了非常简洁的路径选择表达式，另外还提供了超过100个内置函数，用于字符串，数值，时间的匹配
以及节点和序列的处理
XPath 于1999年11月16日成为W3C标准 被设计为供XSLT、XPointer、以及其它XML解析软件使用
常用节点选择工具
Chrome插件 XPath Helper（下载crx扩展程序进行安装）
<<<
常用规则
表达式 描述
nodename 选取此节点的所有子节点
/ 从当前节点选取直接子节点
// 从当前节点选取子孙节点
. 选取当前节点
.. 选取当前节点的父节点
@ 选取属性
>>>
示例： //title[@lang='eng']
选取所有名称为title 同时属性为lang的值为eng的节点 通过Python的lxml库 利用XPath进行HTML解析
安装 lxml
- pip install lxml
- wheel方式安装 https://www.lfd.uci.edu/~gohlke/pythonlibs/
验证 python命令行下 import lxml 无报错信息 表示安装成功
实例：
from lxml import etree #导入lxml的etree模块
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)#调用HTML类 初始化 构造一个XPath解析对象
result = etree.tostring(html)#输出 HTML代码
print(result.decode('utf-8'))#结果为bytes类型 用decode方法转化为str类型
也可以直接读取文本文件 例如：
from lxml import etree
html = etree.parse('./test.html',etree.HTMLParser())
result = etree.tostring(html)
print(result.decode('utf-8'))
一样可以打印结果
1.1所有节点
一般会用//开头的XPath规则来选取所有符合要求的节点
例如：
from lxml import etree
html = etree.parse('./test.html',etree.HTMLParser())
result = html.xpath('//*')
print(result)
*代表匹配所有节点 返回一个列表 每个元素是Element类型 其后是节点名
1.2指定节点
例如：
from lxml import etree
html = etree.parse('./test.html',etree.HTMLParser())
result = html.xpath('//li')
print(result)
print(result[0])#取出其中一个对象 利用索引值
1.3子节点
通过/或者// 查找元素子节点或子孙节点
例如： 查找li节点的所有直接子节点
from lxml import etree
html = etree.parse('./test.html',etree.HTMLParser())
result = html.xpath('//li/a')
print(result)
ul获取所有子孙a节点
from lxml import etree
html = etree.parse('./test.html',etree.HTMLParser())
result = html.xpath('//ul//a')
print(result)
想象一下换成 //ul/a 结果会怎样
1.4父节点
例如： 获取href属性为link4.html的a节点 获取其父节点 在获取其class属性
from lxml import etree
html = etree.parse('./test.html',etree.HTMLParser())
result = html.xpath('//a[@href="link4.html"]/../@class')
print(result)
也可以通过parent:: 获取其父节点
from lxml import etree
html = etree.parse('./test.html',etree.HTMLParser())
result = html.xpath('//a[@href="link4.html"]/parent::*/@class')
print(result)
1.5属性过滤
选取class为item-0 的li节点
from lxml import etree
html = etree.parse('./test.html',etree.HTMLParser())
result = html.xpath('//li[@class="item-0"]')
print(result)
1.6文本获取
用xpath中text（）方法获取节点中的文本
例如 获取li节点中的文本
from lxml import etree
html = etree.parse('./test.html',etree.HTMLParser())
result = html.xpath('//li[@class="item-0"]/text()') #此处的含义是直接获取子节点
print(result)#返回结果为 换行符
两种方式 1.先选取a节点 在获取文本 2.使用//
from lxml import etree
html = etree.parse('./test.html',etree.HTMLParser())
result = html.xpath('//li[@class="item-0"]/a/text()')
print(result)#返回预期结果
from lxml import etree
html = etree.parse('./test.html',etree.HTMLParser())
result = html.xpath('//li[@class="item-0"]//text()')
print(result)#返回三个结果
1.7属性获取
示例 获取li节点下所有a节点的href属性
from lxml import etree
html = etree.parse('./test.html',etree.HTMLParser())
result = html.xpath('//li/a/@href')
print(result)#注意 之前学的属性过滤是限制某个属性 class=“xxxx” 这里是获取某个节点某个属性的属性值 返回形式是列表
1.8属性多值匹配
示例 有时候某个节点的某个属性有多个值
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)#返回结果是[]
需要 contains()函数
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)#第一个参数传入属性名称 第二个参数传入属性值
1.9多属性匹配
示例 根据多个属性确定一个节点 通常需要同时匹配多个属性 可以使用and来连接
from lxml import etree
text='''
<li class="li li-first" name="item"><a href="link.html">first item</a></li>
<li class="li li-first" name="item_s"><a href="link.html">second item</a></li>
'''
html = etree.HTML(text)
result = html.xpath('//li[contains(@class,"li") and @name="item"]/a/text()')
print(result)
#还有很多运算符 详见
1.10 按序选择
有时候选择某些属性 可能同时匹配了多个节点 但是想要其中某个节点
如 第一个节点或者最后一个节点
可以利用中括号传索引的方法
from lxml import etree
html = etree.parse('./test.html',etree.HTMLParser())
result = html.xpath('//li[1]/a/text()')
print(result)#返回第一个节点 注意这里序号是从1开始的
result = html.xpath('//li[last()]/a/text()')
print(result)#返回最后一个节点
result = html.xpath('//li[position()<3]/a/text()')
print(result)#返回前两个
result = html.xpath('//li[last()-2]/a/text()')
print(result)#返回倒数第三个
xpath提供了100多个函数 包括存取 数值 字符串 逻辑 节点 序列等 参考资料 http://www.w3school.com.cn/xpath/xpath_functions.asp
1.11 节点轴选择
xpath提供了很多节点轴选择方法 包括子元素，兄弟元素，父元素，祖先元素等
实例：
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)# 获取第一个li所有祖先节点 包括html body div ul
result = html.xpath('//li[1]/ancestor::div')
print(result)#限定条件 div
result = html.xpath('//li[1]/attribute::*')
print(result)#获取所有属性值 返回li节点所有属性值
result = html.xpath('//li[1]/child::a[@href="link1.html"]')
print(result)#获取所有直接子节点 限定条件href = link1.html
result = html.xpath('//li[1]/descendant::span')
print(result)# 获取所有子孙节点 限定span节点 不包含a节点
result = html.xpath('//li[1]/following::*[2]')
print(result)#获取当前节点之后的所有节点 虽然加了* 但又加了索引选择 只获取带第二个后续节点
result = html.xpath('//li[1]/following-sibling::*')
print(result)#获取当前节点之后的所有同级节点
实战
百度校花吧爬取并保存图片案例
import requests
from lxml import etree
import os
class Baidu(object):
def __init__(self, name):
self.url = 'http://tieba.baidu.com/f?ie=utf-8&kw={}'.format(name)
# 使用较老版本的请求头，该浏览器不支持js
self.headers = {
'User-Agent': 'Mozilla/4.0 (compatible; MSIE 5.01; Windows NT 5.0) '
}
# 发送请求，获取响应
def get_data(self, url):
response = requests.get(url,headers=self.headers)
return response.content
# 解析列表页数据，获取列表页面帖子的标题和链接
def parse_list_page(self, data):
with open('baidu.html','wb') as f:
f.write(data)
# 实例化etree对象
html = etree.HTML(data)
# 使用xpath语法，提取网页数据
node_list = html.xpath("//*[@id='thread_list']/li[@class=' j_thread_list clearfix']/div/div[2]/div[1]/div[1]/a")
# 判断获取结果
# print(len(node_list))
data_list = []
# 遍历node_list
for node in node_list:
temp = {}
temp['url'] = 'http://tieba.baidu.com' + node.xpath('./@href')[0]
temp['title'] = node.xpath('./text()')[0]
data_list.append(temp)
# 提取下一页的节点
next_node = html.xpath('//*[@id="frs_list_pager"]/a[last()-1]/@href')[0]
# print(next_node)
# 拼接下一页的完整url
next_url = 'http:' + next_node
# print(next_url)
return data_list,next_url
def parse_detail_page(self, data_list):
html = etree.HTML(data_list)
# 提取详情页面的图片链接
image_list = html.xpath("//cc/div[contains(@class,'d_post')]/img[@class='BDE_Image']/@src")
# 返回图片节点列表
print(image_list)
return image_list
# 下载图片，保存图片文件
# 创建文件夹
def download(self, image_list):
if not os.path.exists('images'):
os.makedirs('images')
for image in image_list:
# os.sep在mac系统中是/,如果是windows系统，\\,跨平台
file_name = 'images'+ os.sep + image.split('/')[-1]
image_data = self.get_data(image)
with open(file_name,'wb') as f:
f.write(image_data)
def run(self):
# 构造url和请求头
# 发送请求，获取响应
next_url = self.url
# 开启循环，
while next_url:
data = self.get_data(next_url)
# 解析列表页数据，返回的列表数据、下一页的的数据
data_list,next_url = self.parse_list_page(data)
# 解析详情页的数据，获取详情页的图片的链接地址
for data in data_list:
url = data['url']
result_list = self.get_data(url)
image_list = self.parse_detail_page(result_list)
# 保存数据，下载图片
self.download(image_list)
if __name__ == '__main__':
# 爬取百度校花吧所有图片并存在文件夹中
baidu = Baidu('校花吧')
baidu.run()
下一篇： 爬虫04_附带功能的爬