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

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>"""

  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 etreepage = etree.HTML(html_doc)

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>]

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

  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]: []
  • 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>]

  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>]
  • 选取属性:
In [7]: page.xpath('//a')[1].xpath('@href')
Out[7]: ['/book_16860.html']

  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']

  **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>]

  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>]

  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>
  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>]
  • 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>]

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>]

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>]

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']

  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'

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']

  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。


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

  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。不知道今天你又学会了多少东西??我们下期再见!

学习一时爽,一直学习一直爽 !


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 >>>
Python 爬虫十六式 - 第五式:BeautifulSoup-美味的汤 >>>
Python 爬虫十六式 - 第六式:JQuery的假兄弟-pyquery >>>
Python 爬虫十六式 - 第七式:正则的艺术 >>>
Python 爬虫十六式 - 第八式:实例解析 - 全书网 >>>

Python爬虫十六式 - 第四式: 使用Xpath提取网页内容相关推荐

  1. Python 爬虫十六式 - 第六式:JQuery的假兄弟-pyquery

    PyQuery:一个类似jquery的python库 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 BeautifulSoup 美味 ...

  2. Python 爬虫十六式 - 第七式:RE:用匹配来演绎编程的艺术

    RE:用匹配来演绎编程的艺术 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 pyquery 今天我们将迎来我们数据匹配部分的最后一位 ...

  3. Python 爬虫十六式 - 第七式:正则的艺术

    RE:用匹配来演绎编程的艺术 学习一时爽,一直学习一直爽   Hello,大家好,我是 Connor,一个个从无到有的技术小白.上一次我们说到了 pyquery 今天我们将迎来我们数据匹配部分的最后一 ...

  4. Python 爬虫十六式 - 第一式:HTTP协议

    HTTP:伟大而又无闻的协议 学习一时爽,一直学习一直爽!   Hello,大家好啊,我是Connor,一个从无到有的技术小白.有的人一说什么是HTTP协议就犯愁,写东西的时候也没想过什么是HTTP协 ...

  5. Python 爬虫十六式 - 第八式:实例解析-全书网

    实例解析- 全书网 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.前面我们就算是把所有的网页访问与网页解析的方法给大家讲完了.为了帮助大家更好的使用这些 ...

  6. Python 爬虫十六式 - 第八式:实例解析 - 全书网

    实例解析- 全书网 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.前面我们就算是把所有的网页访问与网页解析的方法给大家讲完了.为了帮助大家更好的使用这些 ...

  7. Python爬虫十六式 - 第三式:Requests的用法

    Requests: 让 HTTP 服务人类 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.今天我们继续来说我们的 Python 爬虫,上一次我们说到了 ...

  8. python爬虫教程蝴蝶汤_Python 爬虫十六式 - 第五式:BeautifulSoup-美味的汤

    BeautifulSoup 美味的汤 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 Xpath 的使用方法.Xpath 我觉得还是比较绕 ...

  9. python jsonpath库_Python爬虫(十六)_JSON模块与JsonPath

    本篇将介绍使用,更多内容请参考:Python学习指南 数据提取之JSON与JsonPATH JSON(JavaScript Object Notation)是一种轻量级的数据交换格式,它是的人们很容易 ...

最新文章

  1. OpenCvSharp手绘ROI区域+模板匹配+霍夫变换检测圆的边界
  2. .NET 网站自动登录
  3. php点击根据价格升降序,织梦列表页点击按价格按评分按更新按点击排序进行筛选方法...
  4. arcsde服务启动不了
  5. iOS toolchain based on clang for linux
  6. 几种用函数指针方式来访问类成员函数的方法总结
  7. 「后端小伙伴来学前端了」Vuex原理图分析及结合生活案例让大家快速理解
  8. PADS 9.3安装教程
  9. 产品经理网站数据分析之测量问题现状(二)
  10. 从其他电脑拷mysql到自己电脑_mysql 数据库复制到其他电脑
  11. “CEPH浅析”系列之一——前言
  12. 【算法】如何将一个文件分割成多份(C,Java语言实现)
  13. 如何修复Sketchup经常遇到的错误报告问题
  14. 抖音视频评论获取系统,获取抖音评论的系统
  15. Java个人网站设计与实现毕业
  16. 数据库原理与应用实验3--(数据库的简单查询和连接查询)
  17. 聊天室页面问题和解决方案
  18. c语言在函数内部宏定义,简单讲解C++的内部和外部函数以及宏的定义
  19. 【MYSQL】MYSQL 主要函数
  20. 最优化学习 无约束优化问题的最优性条件

热门文章

  1. (啊哈!算法)(第二章)链表
  2. 学计算机换屏幕,更换笔记本电脑屏幕图解
  3. iframe定位、下拉框定位、获取cookie
  4. hyperMILL 2018三四五轴基础到高级编程视频教程
  5. Windows安全防范手册
  6. powerbuilder11的体验[转载]
  7. 2022-2027年中国汽车传感器行业市场调研及未来发展趋势预测报告
  8. NVIDIA vGPU vApps/vWS/vCS适配GPU版本介绍
  9. 网络嗅探器的设计与实现 python实现 计算机网络课程设计
  10. 重生之沙费德提克 LOL重生之沙费德提克购买地址 重生之沙稻草人皮肤特效视频