网络爬虫--11.XPath和lxml
文章目录
- 一. XML
- 1. XML 和 HTML 的区别
- 2. XML文档示例
- 3. HTML DOM 模型示例
- 4. XML的节点关系
- 二. 什么是XPath？
- 1. 选取节点
- 2. 谓语（Predicates）
- 3. 选取未知节点
- 4. 选取若干路径
- 5. XPath的运算符
- 三. lxml库
- 1. 初步使用
- 2. 文件读取
- 四. XPath实例测试
- 1. 获取所有的 < li> 标签
- 2. 继续获取< li> 标签的所有 class属性
- 3. 继续获取< li>标签下href 为 link1.html 的 < a> 标签
- 4. 获取< li> 标签下的所有 < span> 标签
- 5. 获取 < li> 标签下的< a>标签里的所有 class
- 6. 获取最后一个 < li> 的 < a> 的 href
- 7. 获取倒数第二个元素的内容
- 8. 获取 class 值为 bold 的标签名
一. XML
有人说，我正则用的不好，处理HTML文档很累，有没有其他的方法？
有！那就是XPath，我们可以先将 HTML文件 转换成 XML文档，然后用 XPath 查找 HTML 节点或元素。
- XML 指可扩展标记语言（EXtensible Markup Language）
- XML 是一种标记语言，很类似 HTML
- XML 的设计宗旨是传输数据，而非显示数据
- XML 的标签需要我们自行定义。
- XML 被设计为具有自我描述性。
- XML 是 W3C 的推荐标准
W3School官方文档：http://www.w3school.com.cn/xml/index.asp
1. XML 和 HTML 的区别
2. XML文档示例
<?xml version="1.0" encoding="utf-8"?><bookstore><book category="cooking"><title lang="en">Everyday Italian</title> <author>Giada De Laurentiis</author> <year>2005</year> <price>30.00</price></book> <book category="children"><title lang="en">Harry Potter</title> <author>J K. Rowling</author> <year>2005</year> <price>29.99</price></book> <book category="web"><title lang="en">XQuery Kick Start</title> <author>James McGovern</author> <author>Per Bothner</author> <author>Kurt Cagle</author> <author>James Linn</author> <author>Vaidyanathan Nagarajan</author> <year>2003</year> <price>49.99</price></book><book category="web" cover="paperback"><title lang="en">Learning XML</title> <author>Erik T. Ray</author> <year>2003</year> <price>39.95</price></book></bookstore>
3. HTML DOM 模型示例
HTML DOM 定义了访问和操作 HTML 文档的标准方法，以树结构方式表达 HTML 文档。
4. XML的节点关系
下面一个简单的XML例子中：
<?xml version="1.0" encoding="utf-8"?><bookstore><book><title>Harry Potter</title><author>J K. Rowling</author><year>2005</year><price>29.99</price></book></bookstore>
- 父（Parent） 每个元素以及属性都有一个父。book 元素是 title、author、year 以及 price 元素的父。
- 子（Children）元素节点可有零个、一个或多个子。title、author、year 以及 price 元素都是 book 元素的子。
- 同胞（Sibling）拥有相同的父的节点。title、author、year 以及 price 元素都是同胞。
- 先辈（Ancestor）某节点的父、父的父，等等。title 元素的先辈是 book 元素和 bookstore 元素。
- 后代（Descendant）某个节点的子，子的子，等等。bookstore 的后代是 book、title、author、year 以及 price 元素。
二. 什么是XPath？
XPath (XML Path Language) 是一门在 XML 文档中查找信息的语言，可用来在 XML 文档中对元素和属性进行遍历。
W3School官方文档：http://www.w3school.com.cn/xpath/index.asp
XPath 开发工具
开源的XPath表达式编辑工具:XMLQuire(XML格式文件可用)
Chrome插件 XPath Helper
Firefox插件 XPath Checker
1. 选取节点
XPath 使用路径表达式来选取 XML 文档中的节点或者节点集。这些路径表达式和我们在常规的电脑文件系统中看到的表达式非常相似。
下面列出了最常用的路径表达式：
在下面的表格中，我们已列出了一些路径表达式以及表达式的结果：
2. 谓语（Predicates）
谓语用来查找某个特定的节点或者包含某个指定的值的节点，被嵌在方括号中。
在下面的表格中，我们列出了带有谓语的一些路径表达式，以及表达式的结果：
3. 选取未知节点
XPath 通配符可用来选取未知的 XML 元素。
在下面的表格中，我们列出了一些路径表达式，以及这些表达式的结果：
4. 选取若干路径
通过在路径表达式中使用“|”运算符，您可以选取若干个路径。
在下面的表格中，我们列出了一些路径表达式，以及这些表达式的结果：
5. XPath的运算符
下面列出了可用在 XPath 表达式中的运算符：
这些就是XPath的语法内容，在运用到Python抓取时要先转换为xml。
三. lxml库
lxml 是 一个HTML/XML的解析器，主要的功能是如何解析和提取 HTML/XML 数据。
lxml和正则一样，也是用 C 实现的，是一款高性能的 Python HTML/XML 解析器，我们可以利用之前学习的XPath语法，来快速的定位特定元素以及节点信息。
lxml python 官方文档：http://lxml.de/index.html
需要安装C语言库，可使用 pip 安装：pip install lxml （或通过wheel方式安装）
1. 初步使用
我们利用它来解析 HTML 代码，简单示例：
from lxml import etreetext = '''
<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，此处缺少一个 </li> 闭合标签</ul></div>
'''#利用etree.HTML，将字符串解析为HTML文档
print('------1------')
print(text)
print (type(text))html = etree.HTML(text)
print('-----2-------')
print(html)
print (type(html))# 按字符串序列化HTML文档
result = etree.tostring(html)
print('-----3-------')
print(result)
print (type(result))
输出结果：
------1------<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，此处缺少一个 </li> 闭合标签</ul></div><class 'str'>
-----2-------
<Element html at 0x1e839453708>
<class 'lxml.etree._Element'>
-----3-------
b'<html><body><div>\n <ul>\n <li class="item-0"><a href="link1.html">first item</a></li>\n <li class="item-1"><a href="link2.html">second item</a></li>\n <li class="item-inactive"><a href="link3.html">third item</a></li>\n <li class="item-1"><a href="link4.html">fourth item</a></li>\n <li class="item-0"><a href="link5.html">fifth item</a> # 注意，此处缺少一个 </li> 闭合标签\n </ul>\n </div>\n</body></html>'
<class 'bytes'>
lxml 可以自动修正 html 代码，例子里不仅会补全 li 标签，还添加了 body，html 标签。
2. 文件读取
除了直接读取字符串，lxml还支持从文件里读取内容。我们新建一个hello.html文件：
<!-- 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>
再利用 etree.parse() 方法来读取文件。
from lxml import etree# 读取外部文件 hello.html
html1 = etree.parse('./hello.html')
result1 = etree.tostring(html1, pretty_print=True)print('--------------------')
print(result1)print('-------如果是文件读取，需要使用prase(),而不是用HTML,否则会出现下边结果：---------')html2 = etree.HTML('./hello.html')
result2 = etree.tostring(html2, pretty_print=True)
print(result2)
运行结果：
--------------------
b'<div>\n <ul>\n <li class="item-0"><a href="link1.html">first item</a></li>\n <li class="item-1"><a href="link2.html">second item</a></li>\n <li class="item-inactive"><a href="link3.html"><span class="bold">third item</span></a></li>\n <li class="item-1"><a href="link4.html">fourth item</a></li>\n <li class="item-0"><a href="link5.html">fifth item</a></li>\n </ul>\n </div>\n'
-------如果是文件读取，需要使用prase(),而不是用HTML,否则会出现下边结果：---------
b'<html>\n <body>\n <p>./hello.html</p>\n </body>\n</html>\n'
四. XPath实例测试
1. 获取所有的 < li> 标签
from lxml import etreehtml = etree.parse('hello.html')
print (type(html)) # 显示etree.parse() 返回类型result = html.xpath('//li')print (result) # 打印<li>标签的元素集合
print (len(result))
print (type(result))
print (type(result[0]))
输出结果：
<class 'lxml.etree._ElementTree'>
[<Element li at 0x21658f02608>, <Element li at 0x21658f02708>, <Element li at 0x21658f02748>, <Element li at 0x21658f02788>, <Element li at 0x21658f027c8>]
5
<class 'list'>
<class 'lxml.etree._Element'>
2. 继续获取< li> 标签的所有 class属性
from lxml import etreehtml = etree.parse('hello.html')
result = html.xpath('//li/@class')print(result)
print(type(result))
运行结果：
['item-0', 'item-1', 'item-inactive', 'item-1', 'item-0']
<class 'list'>
3. 继续获取< li>标签下href 为 link1.html 的 < a> 标签
from lxml import etreehtml = etree.parse('hello.html')
result = html.xpath('//li/a[@href="link1.html"]')print result
输出结果：
[<Element a at 0x23b68132748>]
<class 'list'>
4. 获取< li> 标签下的所有 < span> 标签
from lxml import etreehtml = etree.parse('hello.html')#result = html.xpath('//li/span')
#注意这么写是不对的：
#因为 / 是用来获取子元素的，而 <span> 并不是 <li> 的子元素，所以，要用双斜杠result = html.xpath('//li//span')print(result)
print(type(result))
输出结果：
[<Element span at 0x28d12587508>]
<class 'list'>
5. 获取 < li> 标签下的< a>标签里的所有 class
from lxml import etreehtml = etree.parse('hello.html')
result = html.xpath('//li/a//@class')print(result)
print(type(result))
输出结果：
['bold']
<class 'list'>
6. 获取最后一个 < li> 的 < a> 的 href
from lxml import etreehtml = etree.parse('hello.html')
result = html.xpath('//li/a//@class')print(result)
print(type(result))
输出结果：
['link5.html']
<class 'list'>
7. 获取倒数第二个元素的内容
from lxml import etreehtml = etree.parse('hello.html')
result = html.xpath('//li[last()-1]/a')# text 方法可以获取元素内容
print (result[0].text)
print (type(result[0].text))
输出结果：
fourth item
<class 'str'>8. 获取 class 值为 bold 的标签名
from lxml import etreehtml = etree.parse('hello.html')result = html.xpath('//*[@class="bold"]')# tag方法可以获取标签名
print (result[0].tag)
print (type(result[0].tag))
输出结果：
span
<class 'str'>
网络爬虫--11.XPath和lxml相关推荐
- 网络爬虫之BeautifulSoup和lxml
网络爬虫之BeautifulSoup和lxml 一.网络爬虫的概念 1.1 爬虫概念 1.1.1 什么是爬虫 1.1.2 为什么学习爬虫? 1.2 爬虫流程 二.爬虫常用包 2.1 Requests包 ...
- 网络爬虫(二)——Xpath和Selenium的使用
文章目录 2 网络爬虫进阶 2.1 Xpath 2.1.1 Xpath解析原理 2.1.2 信息提取 2.1.2.1 获取所有结点 2.1.2.2 获取子节点 2.1.2.3 获取父节点 2.1.2. ...
- C# 网络爬虫+HtmlAgilityPack+Xpath+爬虫工具类的封装的使用
目录 1 工具准备 2 思路准备 3 附加知识准备--XPath 简述 看看例子 用XPath来寻找标签 获取所有同名的标签 获取指定标签 一个实例 最后的补充 4 代码实现 5 爬虫工具类的封装 6 ...
- Python之网络爬虫（Xpath语法、Scrapy框架的认识）
文章目录 一.Xpath语法 二.Scrapy框架的认识 一.Xpath语法 xpath是一门在XML文档中查找信息的语言 1. 节点(Node) 元素.属性.文本.命名空间.文档(根)节点 2. ...
- python爬虫之xpath和lxml应用—爬取豆瓣评分爬取
python爬虫之豆瓣评分爬取 1 第一步 获取网页源码 2 第二步 获取电影信息 3 第三步 保存数据 4 综合 ''' 需求:爬取电影的名字 评分 引言 详情页的url,每一页都爬取并且把数据保存 ...
- Python网络爬虫之Xpath详解
1.什么是Xpath XPath 是一门在 XML 文档中查找信息的语言. 所谓 Xpath,是指 XML path language,path 就是路径, Xpath 主要是通过路径来查找元素. 咱 ...
- python网络爬虫系列教程——python中lxml库应用全解（xpath表达式）
全栈工程师开发手册 (作者:栾鹏) python教程全解 python网络爬虫lxml库的应用全解. 在线安装方法:cmd中输入"pip install lxml" 离线安装,下载 ...
- MOOC《Python网络爬虫和信息提取》（第11次）网络爬虫之框架（第4周）
MOOC<Python网络爬虫和信息提取>(第11次)网络爬虫之框架(第4周) MOOC–Python网络爬虫和信息提取(第11次开课) 网络爬虫之框架 21.08.10 目录 文章目录 ...
- 《崔庆才Python3网络爬虫开发实战教程》学习笔记（4）：解析库Xpath的使用方法总结
本篇博文是自己在学习崔庆才的<Python3网络爬虫开发实战教程>的学习笔记系列,如果你也要这套视频教程的话,关注我公众号[小众技术],关注后回复[PYTHON],无套路免费送你一个学习大 ...
最新文章
- 数通手稿留档——ISIS
- MQCache 秒开缓存快速入门指南 - 旁路（使用镜像交换机）
- linux版本之redhat9------终端中文软件zhcon0.2.6的安装及使用
- linux 历史命令列表,fc – 显示历史列表中的命令或修改指定的历史命令并执行。 - Linux 命令大全...
- SPI的4种工作模式（备忘）
- python大型项目中的日志模块_Python中日志模块的使用
- 自适应辛普森（算法简要 + 模板）
- 高斯混合模型聚类_GMM: Gaussian Mixed Model（高斯混合模型）
- 别小看无人配送，长大了就是自动驾驶的最终实现。
- 缺钱的特斯拉，是否在走向“乐视化”?
- 洛奇英雄转无法读取游戏服务器状态,洛奇英雄传无法连接服务器认证失败处理方法讲解...
- 02-橄榄球 VS 软件
- js实现轮播图点击按钮切换下一张图片
- 异速联未获取服务器信息,异速联客户端连接服务器的方法
- android的密码是多少,Android图形密码中 你最常用的是哪一个呢？
- 解释什么是计算机硬件和软件,什么叫软件,什么叫硬件?(要详细)
- STM32平台RT-Thread最小系统移植搭建 - STM32F107VCT6
- matlab单服务台排队系统仿真,matlab单服务台排队系统实验报告.doc
- Python jiba 分词
- Python招聘岗位信息聚合系统源码(爬虫爬取、数据分析、可视化、互动等功能)...