爬虫解析库xpath
# xpath简介
XPath即为XML路径语言(XML Path Language),它是一种用来确定XML文档中某部分位置的语言。用于在 XML 文档中通过元素和属性进行导航。
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XPointer与XSL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。
xpath术语
节点
在 XPath 中,有七种类型的节点:元素、属性、文本、命名空间、处理指令、注释以及文档(根)节点。XML 文档是被作为节点树来对待的。树的根被称为文档节点或者根节点。
节点关系
父(Parent)
每个元素以及属性都有一个父。
在下面的例子中,book 元素是 title、author、year 以及 price 元素的父:
<book><title>Harry Potter</title><author>J K. Rowling</author><year>2005</year><price>29.99</price> </book>
子(Children)
元素节点可有零个、一个或多个子。
在下面的例子中,title、author、year 以及 price 元素都是 book 元素的子:
<book><title>Harry Potter</title><author>J K. Rowling</author><year>2005</year><price>29.99</price> </book>
同胞(Sibling)
拥有相同的父的节点
在下面的例子中,title、author、year 以及 price 元素都是同胞:
<book><title>Harry Potter</title><author>J K. Rowling</author><year>2005</year><price>29.99</price> </book>
先辈(Ancestor)
某节点的父、父的父,等等。
在下面的例子中,title 元素的先辈是 book 元素和 bookstore 元素:
<bookstore> <book><title>Harry Potter</title><author>J K. Rowling</author><year>2005</year><price>29.99</price> </book> </bookstore>
后代(Descendant)
某个节点的子,子的子,等等。
在下面的例子中,bookstore 的后代是 book、title、author、year 以及 price 元素:
<bookstore> <book><title>Harry Potter</title><author>J K. Rowling</author><year>2005</year><price>29.99</price> </book> </bookstore>
xpath语法
选取节点
选取节点 XPath 使用路径表达式在 XML 文档中选取节点。节点是通过沿着路径或者 step 来选取的。
下面列出了最有用的路径表达式:
表达式 | 描述 |
---|---|
nodename | 选取此节点的所有子节点 |
/ | 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。 |
实例:
路径表达式 | 结果 |
---|---|
bookstore | 选取 bookstore 元素的所有子节点。 |
/bookstore | 选取根元素 bookstore。注释:假如路径起始于正斜杠( / ),则此路径始终代表到某元素的绝对路径! |
bookstore/book | 选取属于 bookstore 的子元素的所有 book 元素。 |
//book | 选取所有 book 子元素,而不管它们在文档中的位置。 |
bookstore//book | 选择属于 bookstore 元素的后代的所有 book 元素,而不管它们位于 bookstore 之下的什么位置。 |
//@lang | 选取名为 lang 的所有属性。 |
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。
谓语被嵌在方括号中。
实例
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:
路径表达式 | 结果 |
---|---|
/bookstore/book[1] | 选取属于 bookstore 子元素的第一个 book 元素。 |
/bookstore/book[last()] | 选取属于 bookstore 子元素的最后一个 book 元素。 |
/bookstore/book[last()-1] | 选取属于 bookstore 子元素的倒数第二个 book 元素。 |
/bookstore/book[position()<3] | 选取最前面的两个属于 bookstore 元素的子元素的 book 元素。 |
//title[@lang] | 选取所有拥有名为 lang 的属性的 title 元素。 |
//title[@lang='eng'] | 选取所有 title 元素,且这些元素拥有值为 eng 的 lang 属性。 |
/bookstore/book[price>35.00] | 选取 bookstore 元素的所有 book 元素,且其中的 price 元素的值须大于 35.00。 |
/bookstore/book[price>35.00]/title | 选取 bookstore 元素中的 book 元素的所有 title 元素,且其中的 price 元素的值须大于 35.00。 |
选取未知节点
XPath 通配符可用来选取未知的 XML 元素。
通配符 | 描述 |
---|---|
* | 匹配任何元素节点。 |
@* | 匹配任何属性节点。 |
node() | 匹配任何类型的节点。 |
实例
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:
路径表达式 | 结果 |
---|---|
/bookstore/* | 选取 bookstore 元素的所有子元素。 |
//* | 选取文档中的所有元素。 |
//title[@*] | 选取所有带有属性的 title 元素。 |
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。
实例
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:
路径表达式 | 结果 |
---|---|
//book/title | //book/price | 选取 book 元素的所有 title 和 price 元素。 |
//title | //price | 选取文档中的所有 title 和 price 元素。 |
/bookstore/book/title | //price | 选取属于 bookstore 元素的 book 元素的所有 title 元素,以及文档中所有的 price 元素。 |
xpath具体使用
环境安装: pip install lxml
解析原理:
实例化一个etree类型的对象,且将即将被解析的页面源码数据加载到该对象中
调用该对象的xpath方法结合着不同的xpath表达式进行标签定位和数据提取
实例化对象: etree.parse(fileName) etree.HTML(page_text)
使用方法:xpath返回的一定是一个列表
表达式最左侧/和//区别
非最左侧的/和//区别
属性定位://div[@class="name"]
索引定位://div[2]
/text()和//text()
div/a/@href
<html lang="en"> <head><meta charset="UTF-8" /><title>测试bs4</title> </head> <body><div><p>百里守约</p></div><div class="song"><p>李清照</p><p>王安石</p><p>苏轼</p><p>柳宗元</p><a href="http://www.song.com/" title="赵匡胤" target="_self"><span>this is span</span>宋朝是最强大的王朝,不是军队的强大,而是经济很强大,国民都很有钱</a><a href="" class="du">总为浮云能蔽日,长安不见使人愁</a><img src="http://www.baidu.com/meinv.jpg" alt="" /></div><div class="tang"><ul><li><a href="http://www.baidu.com" title="qing">清明时节雨纷纷,路上行人欲断魂,借问酒家何处有,牧童遥指杏花村</a></li><li><a href="http://www.163.com" title="qin">秦时明月汉时关,万里长征人未还,但使龙城飞将在,不教胡马度阴山</a></li><li><a href="http://www.126.com" alt="qi">岐王宅里寻常见,崔九堂前几度闻,正是江南好风景,落花时节又逢君</a></li><li><a href="http://www.sina.com" class="du">杜甫</a></li><li><a href="http://www.dudu.com" class="du">杜牧</a></li><li><b>杜小月</b></li><li><i>度蜜月</i></li><li><a href="http://www.haha.com" id="feng">凤凰台上凤凰游,凤去台空江自流,吴宫花草埋幽径,晋代衣冠成古丘</a></li></ul></div> </body> </html>
test.html
实例化一个tree对象
from lxml import etree tree = etree.parse("test.html")
1.基于标签定位的xpath表达式
xpath方法返回值永远是一个列表
xpath表达式中最左侧的/和//的区别
/表示我们必须从根标签进行定位
//表示我们可以定义任意位置的标签
tree.xpath("/html/head/meta") # [<Element meta at 0x1bd33576f08>] tree.xpath("//meta") # [<Element meta at 0x1bd33576f08>]
查找到多个
tree.xpath("//div")
输出
[<Element div at 0x1bd3223c048>,<Element div at 0x1bd33584148>,<Element div at 0x1bd33584ac8>]
2.属性定位
tree.xpath("//div[@class='song']") # [<Element div at 0x1bd33584148>]
3.索引定位
索引值是从1开始
在xpath表达式中非最左侧的/和//的区别
/表示一个层级
//表示多个层级
tree.xpath("//div[@class='tang']/ul/li[3]") # [<Element li at 0x1bd335849c8>] tree.xpath("//div[@class='tang']//li[3]")
4.取文本
/text():获取的是标签下直系的文本数据
//text():获取的标签下所有的文本数据
tree.xpath("//div[@class='tang']//li[5]/a/text()") # ['杜牧']
获取多个文本
string_list = tree.xpath("//div[@class='tang']//text()") "".join(string_list).replace("\n","").replace("\t","") # '清明时节雨纷纷,路上行人欲断魂,借问酒家何处有,牧童遥指杏花村秦时明月汉时关,万里长征人未还,但使龙城飞将在,不教胡马度阴山岐王宅里寻常见,崔九堂前几度闻,正是江南好风景,落花时节又逢君杜甫杜牧杜小月度蜜月凤凰台上凤凰游,凤去台空江自流,吴宫花草埋幽径,晋代衣冠成古丘'
5.取属性
获取的也是一个列表
tree.xpath("//div[@class='tang']//li[5]/a/@href") # ['http://www.dudu.com']
实例
- 需求:爬取boss中的岗位信息(岗位名称,薪资,公司名称,岗位描述)
url = "https://www.zhipin.com/job_detail/?query=python爬虫&page=%d" f = open("boss.txt","w",encoding="utf-8")for page in range(1,2):new_url = format(url%page)page_text = requests.get(url=new_url,headers=headers).text# xpath的数据解析tree = etree.HTML(page_text) # tree中存储的是整张页面中对应的页面源代码li_list = tree.xpath("//div[@id='main']//div[@class='job-list']//li")# 遍历每个职位信息所在的li标签for li in li_list:job_name = li.xpath("./div/div[1]//a/div[@class='job-title']/text()")[0]salary = li.xpath("./div/div[1]//a/span/text()")[0]detail_url ='https://www.zhipin.com' + li.xpath("./div/div[1]//a/@href")[0]company_name = li.xpath("./div/div[2]/div[@class='company-text']/h3/a/text()")[0]print(job_name,salary,detail_url,company_name)# 获取职位详细要求detail_page_text = requests.get(url=detail_url,headers=headers).textdetail_tree = etree.HTML(detail_page_text)job_desc = detail_tree.xpath('//*[@id="main"]/div[3]/div/div[2]/div[2]/div[1]/div/text()')job_desc = ''.join(job_desc)f.write(job_name+":"+salary+":"+company_name+":"+job_desc+"\n\n") f.close()
转载于:https://www.cnblogs.com/ryxiong-blog/p/11305995.html
爬虫解析库xpath相关推荐
- python xpath语法-Python爬虫 | 解析库Xpath的使用
first itemsecond itemthird itemfourth itemfifth item
- 浅谈解析库XPath,bs4和pyquery
<浅谈解析库XPath,bs4和pyquery> 作者:墨非墨菲非菲 前几天在CSDN看到一篇帖子,题目是"如何让自己像打王者一样发了疯,拼了命,石乐志的学习".这里面 ...
- 爬虫(2)-解析库xpath和beautifulsoup爬取猫眼电影排行榜前100部电影
解析库爬取猫眼电影前100部电影 认为有用的话请点赞,码字不易,谢谢. 其他爬虫实战请查看:https://blog.csdn.net/qq_42754919/category_10354544.ht ...
- 爬虫-解析库的使用-Xpath
4. 解析库的使用 对于网页节点,可以定义id.class或其他属性,且节点之间有曾是关系,可以通过Xpath 或者CSS选择器来定位一个或者多个节点,再调用相应的方法获取它的正文内容或者属性. py ...
- beautifulsoup解析动态页面div未展开_两个资讯爬虫解析库的用法与对比
" 阅读本文大概需要 10 分钟. " 舆情爬虫是网络爬虫一个比较重要的分支,舆情爬虫往往需要爬虫工程师爬取几百几千个新闻站点.比如一个新闻页面我们需要爬取其标题.正文.时间.作者 ...
- Python爬虫 解析库的使用
已写章节 第一章 网络爬虫入门 第二章 基本库的使用 第三章 解析库的使用 第四章 数据存储 第五章 动态网页的抓取 文章目录 已写章节 第三章 解析库的使用 3.1BeautifulSoup 3.1 ...
- Python网络解析库Xpath,妈妈再也不会担心我不会解析了
本文同步发表于我的微信公众号,扫一扫文章底部的二维码或在微信搜索 极客导航 即可关注,每个工作日都有文章更新. 一.概况 前两篇我们把网络库Requests大概的用法学了一遍,把网站上的每页数据请求下 ...
- python爬虫解析库(Xpath、beautiful soup、Jsonpath)
1. HTML解析 HTML的内容返回给浏览器,浏览器就会解析它,并对它渲染. HTML 超文本表示语言,设计的初衷就是为了超越普通文本,让文本表现力更强. XML 扩展标记语言,不是为了代替HTML ...
- 《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
- 运维需要掌握的基础知识
- 轻谈 return i++
- GEE windows 环境配置
- VUE 入坑系列 一 双向绑定
- char flag[20]c语言,C语言试卷
- 【李宏毅2020 ML/DL】P77 Generative Adversarial Network | Theory behind GAN
- linux设备符,linux 字符设备(一)
- JSch连接不上Linux服务器,JSch链接linux服务器问题解决方案:Session.connect: java.io.IOException: End of IO Stream Read...
- 网站使用 VideoPlayer 方法
- P80 例4-1 名和姓的对换问题。英国人和美国人姓名的书写形式是“名在前,姓在后”,但在有些情况下,需要把姓名写成“姓在前,名在后,中间加一个逗号”的形式。编写一个程序实现把“名在前,姓在后”的姓名
- 芥末圈:“知识付费”面具下的币圈割韭菜大本营
- 大数据发展趋势十个大方向
- 为什么要用“设计模式”?(六大好处)
- CTF中常见编码总结
- ps、ai超强辅助类插件,神器一样的存在
- (三)shp路网数据导入postgres中
- python下载vip素材_Python素材下载爬虫,多线程rar下载爬虫
- 打扰一下计算机房在哪里用英语怎么写,打扰用英语怎么说例句翻译
- 免费开源的商城系统!可商用!推荐给你
- c++ 连接mysql数据库