XPath語法和lxml模組
XPath語法和lxml模組
什麼是XPath?
xpath(XML Path Language)是一門在XML和HTML文件中查詢資訊的語言,可用來在XML和HTML文件中對元素和屬性進行遍歷。
XPath開發工具
- Chrome外掛XPath Helper。
- Firefox外掛Try XPath。
XPath語法
選取節點:
XPath 使用路徑表示式來選取 XML 文件中的節點或者節點集。這些路徑表示式和我們在常規的電腦檔案系統中看到的表示式非常相似。
表示式 | 描述 | 示例 | 結果 |
---|---|---|---|
nodename | 選取此節點的所有子節點 | bookstore | 選取bookstore下所有的子節點 |
/ | 如果是在最前面,代表從根節點選取。否則選擇某節點下的某個節點 | /bookstore | 選取根元素下所有的bookstore節點 |
// | 從全域性節點中選擇節點,隨便在哪個位置 | //book | 從全域性節點中找到所有的book節點 |
@ | 選取某個節點的屬性 | //book[@price] | 選擇所有擁有price屬性的book節點 |
. | 當前節點 | ./a | 選取當前節點下的a標籤 |
謂語:
謂語用來查詢某個特定的節點或者包含某個指定的值的節點,被嵌在方括號中。
在下面的表格中,我們列出了帶有謂語的一些路徑表示式,以及表示式的結果:
路徑表示式 | 描述 |
---|---|
/bookstore/book[1] | 選取bookstore下的第一個子元素 |
/bookstore/book[last()] | 選取bookstore下的倒數第二個book元素。 |
bookstore/book[position()<3] | 選取bookstore下前面兩個子元素。 |
//book[@price] | 選取擁有price屬性的book元素 |
//book[@price=10] | 選取所有屬性price等於10的book元素 |
萬用字元
*表示萬用字元。
萬用字元 | 描述 | 示例 | 結果 |
---|---|---|---|
* | 匹配任意節點 | /bookstore/* | 選取bookstore下的所有子元素。 |
@* | 匹配節點中的任何屬性 | //book[@*] | 選取所有帶有屬性的book元素。 |
選取多個路徑:
通過在路徑表示式中使用“|”運算子,可以選取若干個路徑。
示例如下:
//bookstore/book | //book/title
# 選取所有book元素以及book元素下所有的title元素
運算子:
lxml庫
lxml 是 一個HTML/XML的解析器,主要的功能是如何解析和提取 HTML/XML 資料。
lxml和正則一樣,也是用 C 實現的,是一款高效能的 Python HTML/XML 解析器,我們可以利用之前學習的XPath語法,來快速的定位特定元素以及節點資訊。
lxml python 官方文件:http://lxml.de/index.html
pycharm教程地址:http://nydfjq.cn/
需要安裝C語言庫,可使用 pip 安裝:pip install lxml
基本使用:
我們可以利用他來解析HTML程式碼,並且在解析HTML程式碼的時候,如果HTML程式碼不規範,他會自動的進行補全。示例程式碼如下:
# 使用 lxml 的 etree 庫
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> # 注意,此處缺少一個 </li> 閉合標籤
</ul>
</div>
'''
#利用etree.HTML,將字串解析為HTML文件
html = etree.HTML(text)
# 按字串序列化HTML文件
result = etree.tostring(html)
print(result)
輸入結果如下:
<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>
可以看到。lxml會自動修改HTML程式碼。例子中不僅補全了li標籤,還添加了body,html標籤。
從檔案中讀取html程式碼:
除了直接使用字串進行解析,lxml還支援從檔案中讀取內容。我們新建一個hello.html檔案:
<!-- hello.html -->
<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>
然後利用etree.parse()
方法來讀取檔案。示例程式碼如下:
from lxml import etree
# 讀取外部檔案 hello.html
html = etree.parse('hello.html')
result = etree.tostring(html, pretty_print=True)
print(result)
輸入結果和之前是相同的。
在lxml中使用XPath語法:
-
獲取所有li標籤:
from lxml import etree html = etree.parse('hello.html') print type(html) # 顯示etree.parse() 返回型別 result = html.xpath('//li') print(result) # 列印<li>標籤的元素集合
-
獲取所有li元素下的所有class屬性的值:
from lxml import etree html = etree.parse('hello.html') result = html.xpath('//li/@class') print(result)
-
獲取li標籤下href為
www.baidu.com
的a標籤:from lxml import etree html = etree.parse('hello.html') result = html.xpath('//li/a[@href="www.baidu.com"]') print(result)
-
獲取li標籤下所有span標籤:
from lxml import etree html = etree.parse('hello.html') #result = html.xpath('//li/span') #注意這麼寫是不對的: #因為 / 是用來獲取子元素的,而 <span> 並不是 <li> 的子元素,所以,要用雙斜槓 result = html.xpath('//li//span') print(result)
-
獲取li標籤下的a標籤裡的所有class:
from lxml import etree html = etree.parse('hello.html') result = html.xpath('//li/a//@class') print(result)
-
獲取最後一個li的a的href屬性對應的值:
from lxml import etree html = etree.parse('hello.html') result = html.xpath('//li[last()]/a/@href') # 謂語 [last()] 可以找到最後一個元素 print(result)
-
獲取倒數第二個li元素的內容:
from lxml import etree html = etree.parse('hello.html') result = html.xpath('//li[last()-1]/a') # text 方法可以獲取元素內容 print(result[0].text)
-
獲取倒數第二個li元素的內容的第二種方式:
from lxml import etree html = etree.parse('hello.html') result = html.xpath('//li[last()-1]/a/text()') print(result)
使用requests和xpath爬取電影天堂
示例程式碼如下:
import requests
from lxml import etree
BASE_DOMAIN = 'http://www.dytt8.net'
HEADERS = {
'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/61.0.3163.100 Safari/537.36',
'Referer': 'http://www.dytt8.net/html/gndy/dyzz/list_23_2.html'
}
def spider():
url = 'http://www.dytt8.net/html/gndy/dyzz/list_23_1.html'
resp = requests.get(url,headers=HEADERS)
# resp.content:經過編碼後的字串
# resp.text:沒有經過編碼,也就是unicode字串
# text:相當於是網頁中的原始碼了
text = resp.content.decode('gbk')
# tree:經過lxml解析後的一個物件,以後使用這個物件的xpath方法,就可以
# 提取一些想要的資料了
tree = etree.HTML(text)
# xpath/beautifulsou4
all_a = tree.xpath("//div[@class='co_content8']//a")
for a in all_a:
title = a.xpath("text()")[0]
href = a.xpath("@href")[0]
if href.startswith('/'):
detail_url = BASE_DOMAIN + href
crawl_detail(detail_url)
break
def crawl_detail(url):
resp = requests.get(url,headers=HEADERS)
text = resp.content.decode('gbk')
tree = etree.HTML(text)
create_time = tree.xpath("//div[@class='co_content8']/ul/text()")[0].strip()
imgs = tree.xpath("//div[@id='Zoom']//img/@src")
# 電影海報
cover = imgs[0]
# 電影截圖
screenshoot = imgs[1]
# 獲取span標籤下所有的文字
infos = tree.xpath("//div[@id='Zoom']//text()")
for index,info in enumerate(infos):
if info.startswith("◎年 代"):
year = info.replace("◎年 代","").strip()
if info.startswith("◎豆瓣評分"):
douban_rating = info.replace("◎豆瓣評分",'').strip()
print(douban_rating)
if info.startswith("◎主 演"):
# 從當前位置,一直往下面遍歷
actors = [info]
for x in range(index+1,len(infos)):
actor = infos[x]
if actor.startswith("◎"):
break
actors.append(actor.strip())
print(",".join(actors))
if __name__ == '__main__':
spider()
chrome相關問題:
在62版本(目前最新)中有一個bug,在頁面302重定向的時候不能記錄FormData資料。這個是這個版本的一個bug。詳細見以下連結:https://stackoverflow.com/questions/34015735/http-post-payload-not-visible-in-chrome-debugger。
在金絲雀版本中已經解決了這個問題,可以下載這個版本繼續,連結如下:https://www.google.com/chrome/browser/canary.html
作業:
使用requests和xpath爬取騰訊招聘網資訊。要求為獲取每個職位的詳情資訊。