Python社区  »  Python

Python爬虫十六式 - 第四式: 使用Xpath提取网页内容

Connor_Zhang • 5 月前 • 90 次点击  
阅读 64

Python爬虫十六式 - 第四式: 使用Xpath提取网页内容

Xpath:简单易用的网页内容提取工具

学习一时爽,一直学习一直爽 !

  Hello,大家好,我是Connor,一个从无到有的技术小白。上一次我们说到了 requests 的使用方法。到上节课为止,我们已经学完了所有的 Python 常用的访问库。那么当我们获取到了访问的内容之后,我们就应该从网页上提取我们想要的内容了。所以,今天我们来讲网页内容的常用提取工具之一:Xpath 。相比于 BeautifulSoup 而言,Xpath 更加简单易上手。

1.Xpath简介

  Xpath 是一门在 XML 文档中查找信息的语言。XPath 用于在 XML 文档中通过元素和属性进行导航。他是一种路径语言(XML Path Language),用来确定XML文档中某部分的位置。

  XPath基于XML的树状结构,提供在数据结构树中找寻节点的能力。起初XPath的提出的初衷是将其作为一个通用的、介于XPointerXSL间的语法模型。但是XPath很快的被开发者采用来当作小型*查询语言被广泛使用。比如说,当你打开一个网页后按 F12 进行元素检查。当你想要复制某个元素的路径的时候,你可以通过右键进行 Copy 操作。你会发现里面有 Copy Xpath 的选项。由此可见 Xpath 使用的广泛程度。

说了这么多Xpath使用的怎么怎么广泛,怎么怎么好用,我们还是来点实在的,看看在 Python 爬虫中到底如何使用 Xpath 来抓取我们想要的内容吧:


2. Xpath的安装

  在前面的教程中,我几乎从未提过某个库的安装,但是为什么在这里我要提出如何安装呢?原因很简单,Xpath只是 lxml 库中的一个模块,在 Python 很多库中都提供有 Xpath 的功能,但是最基本的还是 lxml 的这个库。效率最高。所以,你知道了,想要使用 Xpath 那么你就需要安装 lxml 库:

pip install lxml
复制代码

3.Xpath的语法

  其实说白了,Xpath 就是从 html 中选取节点。节点是通过沿着路径或者通过 step 来选取的。下面,我们将通过如下HTML文档来进行演示:

html_doc ="""
<html>
    <head></head>
    <body>
        <li>
            <a href="/book_16860.html" title="总裁的新鲜小妻">
                <img src="/16860s.jpg">
            </a>
            <img src="/kukuku/images/only.png" class="topss png_bg">
                <img src="abc.png" class="topss png_bg">
            <a href="/book_16860.html">总裁的新鲜小妻子</a>
        </li>
        <li>
            <a href="/book_16861.html" title="斗神天下">
                <img src="/16861s.jpg">
            </a>
            <img src="/kukuku/images/only.png" class="topss png_bg">
            <img src="def.png" class="topss png_bg">
            <a href="/book_16861.html">斗神天下</a>
        </li>

    </body>
</html>"""
复制代码

  首先,大家也都知道我们实际上从网页上获取的都是字符串格式。那么如果我们想要通过 Xpath 来提取我们想要的内容,我们首先要生成 HTML 的 DOM 树:

from lxml import etree

page = etree.HTML(html_doc)
复制代码

3.1 路径查找

  如果我们想要使用路径查找,那我们首先需要知道 Xpath 的语法。Xpath 的主要语法有如下:

表达式 描述
nodename 选取名为nodename的子节点
/ 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
  • 查找当前的子节点:
In [1]: page.xpath('head')
Out[1]: [<Element head at 0x7f185bfe5b08>]
复制代码

  当前的节点位置是在 html,所以直接查询 head 节点可以查询出来,li 是html的孙节点,如果查询 li 将返回空值:

In [2]: page.xpath('li')
Out[2]: []
复制代码
  • 从根节点进行查找:
In [3]: page.xpath('/html')
Out[3]: [<Element html at 0x11208be88>]
复制代码

  从根节点进行查找,根节点下只有一个节点 html 节点,所以从根节点查找只能查找到 html,如果查找其它内容将返回空列表:

In [4]: page.xpath('/li')
Out[4]: []
复制代码
  • 从整个文档所有节点查找:
In [5]: page.xpath('//li')
Out[5]:
[<Element li at 0x1128c02c8>,
 <Element li at 0x111c74108>,
 <Element li at 0x111fd2288>,
 <Element li at 0x1128da348>]
复制代码

  从整个文档进行查找可以查找整个文档中符合条件的节点,包括孙节点及以下。

  • 选取当前节点的父节点
In [6]: page.xpath('//li')[0].xpath('..')
Out[6]: [<Element body at 0x1128c0ac8>]
复制代码
  • 选取属性:
In [7]: page.xpath('//a')[1].xpath('@href')
Out[7]: ['/book_16860.html']
复制代码

  选取属性支持任意的标签属性,但是要注意如果选取出的节点有多个,需要指定是哪一个节点的属性。


3.2 节点查找

通过路径查找到节点以后,就需要从超找到的节点中选取我们需要的内容了。查找节点也有一些语法,如下:

表达式 结果
nodename[index] 选取符合要求的第 index 个元素
nodename[last()] 选取最后一个元素
nodename[position()< num] 选取前 num 个元素
nodename[@attribute] 选取带有属性名为 attribute 的元素
nodename[@attribute='value'] 选取带有属性名为 attribute 且 值为 value 的元素
  • 选取第一个 img 节点的 src 属性:
In [1]: page.xpath('//li[1]/a[1]/img[1]/@src')
Out[1]: ['/16860s.jpg']
复制代码

  **注意:当你在选取一个节点的属性的时候,有一点需要注意。通过[index]选取出的节点是每一个符合条件的第[index]个符合条件的元素。**但是这么说比较抽象,我们举个例子。例如:

In [2]: page.xpath('//li[1]') 选取所有符合 li 节点的第一个节点
Out[2]: [<Element li at 0x7fb517327ac8>]
复制代码

  通过上面的例子我们貌似看不出什么,那我们再看下面的这个例子:

In [3]: page.xpath('//li//img[1]')
Out[3]: [<Element img at 0x7f0c26328b08>, 
         <Element img at 0x7f0c26328a88>, 
         <Element img at 0x7f0c26328bc8>, 
         <Element img at 0x7f0c26328c08>]
复制代码

  你可以看到,我们选取出了4个 img 节点。原因很简单,看下面的代码和解释就能明白了:

<html>
	<head></head>
	<body>
        <li>
            <a href="/book_16860.html" title="总裁的新鲜小妻">
                (一)<img src="/16860s.jpg">
            </a>
            (二)<img src="/kukuku/images/only.png" class="topss png_bg">
            (三)<img src="abc.png" class="topss png_bg">
            <a href="/book_16860.html">总裁的新鲜小妻子</a>
        </li>
        <li>
        	<a href="/book_16861.html" title="斗神天下">
                (四)<img src="/16861s.jpg">
            </a>
            (五)<img src="/kukuku/images/only.png" class="topss png_bg">
            (六)<img src="def.png" class="topss png_bg">
            <a href="/book_16861.html">斗神天下</a>
        </li>

    </body>
</html>
复制代码
  1. (一)是第一个 <li> 节点的 <a> 节点里的第一个 <img> 节点。其路径为 <li>/<a>/<img>
  2. (二)是第一个 <li> 节点的 <img> 节点里的第一个 <img> 节点。其路径为 <li>/<img>
  3. (三)之所以没有被选中,是因为它是 <li> 标签下的第二个 <img> 标签
  4. (四)(五)(六)同理
  • 选取第二个元素开始的所有节点:
In [4]: page.xpath('//img[position()>1]')
Out[4]: [<Element img at 0x7f78ba63dac8>, <Element img at 0x7f78ba63da48>]
复制代码
  • 选取带有指定属性与指定值的节点:
In [5]: page.xpath('//a[@title="斗神天下"]')
Out[5]: [<Element a at 0x7fdd0844fa48>]
复制代码

3.3 未知节点

  当我们匹配时会出现路径不确定的情况,这个时候我们就要涉及到匹配未知节点。匹配未知节点也有对应的语法,如下:

通配符 描述
* 匹配任何元素节点
@* 匹配任何属性节点

匹配任何属性节点:

In [1]: page.xpath('//li/a/*')
Out[1]: [<Element img at 0x7f83af768b08>,
         <Element img at 0x7f83af768a88>,
         <Element img at 0x7f83af768bc8>,
         <Element img at 0x7f83af768c08>]
复制代码

匹配任何元素节点:

In [2]: page.xpath('//li/a[@*]')
Out[2]: [<Element a at 0x7ff2dcf69b08>,
         <Element a at 0x7ff2dcf69a88>,
         <Element a at 0x7ff2dcf69bc8>,
         <Element a at 0x7ff2dcf69c08>]
复制代码

3.4 获取节点中的文本

  通过 属性方法可以获取属性内的内容,但是位于节点之间的内容无法获取到,这个时候就可以通过 text()string() 方法来获得其中的文本:

通过 text() 获取某个节点中的文本:

In [


    
1]: page.xpath('//li/a[3]/text()')
Out[1]: ['总裁的新鲜小妻子', '斗神天下']
复制代码

  可以看到,通过 text() 属性可以很轻松的获取标签之间的文本。

通过 string() 获取某个节点中的文本:

In [1]: page.xpath('string(//li[1]/a[3])')
Out[1]: '总裁的新鲜小妻子'
复制代码

3.5 选取多个路径

  有的时候我们需要同时查找多个条件,这个时候你可以通过在路径表达式中使用管道符("|"),选取若干个路径:

In [1]: page.xpath('//li[1]/img[2]/@src | //li[1]/a[3]/text()')
Out[1]: ['/kukuku/images/second.png', '总裁的新鲜小妻子']
复制代码

  同时选取多个路径并不会生成一个新的列表,只有一个列表,所以你要考虑好如何提取你的返回结果。一般情况下还是不建议使用多条件来进行查找,因为多种提取结果混在一个列表不利于提取,即便可以提取,但也会增加计算量,降低程序性能。所以,尽量不要使用这种方法。


  以上就是所有的 Xpath 有关的内容啦,可能并不比别人讲的细,但是已经足够你做爬虫使用了。其实我也希望能够讲的更加细致一点,奈何我是一个正则党,我个人不太喜欢使用Xpath,如果你真的想要深入了解Xpth的话,推荐你到 W3C Xpath教程 >>> 去看看它们是怎么用的。

  好了,这就是今天的内容了,我是Connor,一个从无到有的技术小白。我们下期再见!

学习一时爽,一直学习一直爽 !

  下期预告:Xpath用来用去还是那么费劲啊,有没有什么别的更简单的方法啊???当然有的,你可以喝着美味的汤就做完你需要做的事情了。敬请期待下期——BeautifulSoup:美味的汤

系列文章连接:

Python 爬虫十六式 - 第一式:HTTP协议 >>>
Python 爬虫十六式 - 第二式:urllib 与 urllib3 >>>
Python 爬虫十六式 - 第三式:Requests的用法 >>>


今天看啥 - 高品质阅读平台
本文地址:http://www.jintiankansha.me/t/PhaDYE63fQ
Python社区是高质量的Python/Django开发社区
本文地址:http://www.python88.com/topic/27738
 
90 次点击  
分享到微博