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，而是觉得HTML的设计中包含了过多的格式，承担了一部分数据之外的任务，所以才设计了XML只用来描述数据。HTML和XML都有结构，使用标记形成树型的嵌套结构。DOM（Document Object Model）来解析这种嵌套树型结构，浏览器往往都提供了对DOM操作的API，可以用面向对象的方式来操作DOM。

2. Xpath

XPath 是一门在 XML 文档中查找信息的语言。XPath 可用来在 XML 文档中对元素和属性进行遍历。工具 XMLQuire win7+需要.NET框架4.0-4.5。测试XML、XPath

2.1 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。

/ 根结点
<bookstore> 元素节点
<author>Corets, Eva</author> 元素节点，
id="bk104" 是属性节点，id是元素节点book的属性
节点之间的嵌套形成父子(parent、children)关系。
具有同一个父节点的不同节点是兄弟(sibling)关系。

节点选择：

谓语：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。谓语就是查询的条件。即在路径选择时，在中括号内指定查询条件。

XPath（轴节点）：轴的意思是相对于当前节点的节点集

步step：步的语法 轴名称::节点测试[谓语]

XPATH实例：以斜杠开始的称为绝对路径，表示从根开始。不以斜杆开始的称为相对路径，一般都是依照当前节点来计算。当前节点在上下文环境中，当前节点很可能已经不是根节点了。一般为了方便，往往xml如果层次很深，都会使用//来查找节点。

2.2. lxml

lxml安装：$ pip install lxml

from lxml import etreewith open('./books.xml') as f:# print(f.read())text = f.read()html = etree.HTML(text.encode())# print(html)print(html.tag)print(html.xpath('//title'))  # 从根节点向下找任意层中title的节点print(html.xpath('//book//title'))print(html.xpath('//book[@id="bk102"]'))print(html.xpath('//book[@id]'))print(html.xpath('//@id'))  # 取回的是属性print(html.xpath('//*[@id]'))print(html.xpath('//bookstore/book[1]'))print(html.xpath('//bookstore/book[1]/@id'))  # ['bk101']print(html.xpath('//bookstore/book[last()]/@id'))  # last()为最后一个节点print(html.xpath('//*[contains(local-name(), "store")]'))  # [<Element bookstore at 0x2ce5648>]# local-name()为当前标签名字print(html.xpath('//bookstore/*'))  # 匹配根节点bookstore下的所有子节点，不递归；print(html.xpath('//*[@*]'))  # 匹配所有有属性的节点print(html.xpath('//@*'))  # 匹配所有属性print(html.xpath('//book/title|//book/price'))  # 匹配book节点下title标签或prices标签print(html.xpath('//book[position()=2]/@id'))  # ['bk102']print(html.xpath('//book[price > 40]/@id'))print(html.xpath('//book[1]/text()'))  # 匹配第一个book节点下所有文本子节点print(html.xpath('//book[1]//text()'))  # 匹配第一个book节点下所有文本节点print(html.xpath('//*[contains(@class,"even")]'))  # 匹配属性class中包含even字符串的节点

从豆瓣电影中提取“本周口碑榜”：

import requests
from lxml import etree  # lxml 是c语言的库，效率非常高
from bs4 import BeautifulSoupurl = 'http://movie.douban.com'
headers = {'User-agent': "Mozilla/5.0 (Windows NT 6.1) AppleWebKit/537.36 (KHTML, like Gecko) \Chrome/55.0.2883.75 Safari/537.36"}
response = requests.get(url, headers=headers)with response:if response.status_code == 200:text = response.texthtml = etree.HTML(text)print(html.tag)titles = html.xpath('//div[@class="billboard-bd"]//a/text()')for title in titles:print(title)print("*********************")

2.3 Beautiful Soup4

BeautifulSoup可以从HTML、XML中提取数据。目前BS4在持续开发。

官方中文文档https://www.crummy.com/software/BeautifulSoup/bs4/doc.zh/

安装：$ pip install beautifulsoup4

BeautifulSoup(markup, "html.parser") 使用Python标准库，容错差且性能一般。BeautifulSoup(markup, "lxml") 容错能力强，速度快。需要安装系统C库。推荐使用lxml作为解析器，效率高。请手动指定解析器，以保证代码在所有运行环境中解析器一致。

四种对象

BeautifulSoup将HTML文档解析成复杂的树型结构，每个节点都是Python的对象，可分为4种：

BeautifulSoup、Tag、NavigableString、Comment

BeautifulSoup：代表整个文档。

Tag：它对应着HTML中的标签。有2个常用的属性：

name：Tag对象的名称，就是标签名称
attrs：标签的属性字典

多值属性，对于class属性可能是下面的形式， <h3 class="title highlight">python高级班</h3> ，这个属性就是多值（{'class': ['title', 'highlight']}）属性可以被修改、删除

from lxml import etree  # lxml 是c语言的库，效率非常高
from bs4 import BeautifulSoup
# from bs4 import Tag# features推荐写清楚
with open('E:/马哥教育培训资料/slides/chapter16爬虫/test.html', encoding='utf-8') as f:soup = BeautifulSoup(f, 'lxml')  # str 就是html内容；file-like obj open：'lxml'print(0, soup.builder)print(1, soup.name)print(2, soup.img)  # 返回第一个，print(3, soup.p)  # 深度优先遍历，取第一个print(4, soup.p.attrs)  # 结果是字典print(5, soup.h3.attrs)  # 字典print(6, soup.h3['class'])print(7, soup.h3.get('class'))soup.h3['class'] = 'new_class'print(8, soup.h3.get('class'))print(000, soup.div.name, soup.div.attrs)print(9, soup.p.string)  # p标签的内容print(10, soup.div.contents)  # 直接子，包括文本print(11, list(soup.div.children))  # 返回子节点的迭代器print(12, list(soup.div.descendants))  # 返回所有子孙节点的迭代器print(list(map(lambda x: x.name if x.name else x, soup.div.descendants)))  # 子孙节点print('************************')print(13, "".join(soup.div.strings))  # 拼接，但是换行符还在print(14, "".join(soup.div.stripped_strings))  # 连接在一起了print(15, soup.p.next_sibling)print(16, soup.img.get('src'))print(17, soup.img['src'])print(18, soup.a)  # 找不到返回Nonedel soup.h3['class']  # 删除属性print(19, soup.h3.get('class'))

注意，我们一般不使用上面这种方式来操作HTML，此代码是为了熟悉对象类型

NavigableString：如果只想输出标记内的文本，而不关心标记的话，就要使用NavigableString。

print(soup.div.p.string) # 第一个div下第一个p的字符串；print(soup.p.string) # 同上

Comment ：注释对象，这就是HTML中的注释，它被Beautiful Soup解析后对应Comment对象。

遍历字符串：在前面的例子中，soup.div.string返回None，是因为string要求soup.div只能有一个NavigableString类型子节点， 也就是如这样 <div>only string</div> 。如果div有很多子孙节点，如何提取字符串？

print(soup.div.string)  # 返回None，因为多于1个子节点
print("".join(soup.div.strings))  # 返回迭代器，带多余的空白字符
print("".join(soup.div.stripped_strings))  # 返回迭代器，去除多余空白符

遍历祖先节点：

print(soup.parent)  # None 根节点没有父节点
print(soup.div.parent.name)  # body，第一个div的父节点
print(soup.p.parent.parent.get('id'))  # 取id属性，main
print(list(map(lambda x: x.name, soup.p.parents)))  # 父迭代器，由近及远

遍历兄弟节点：

print('{} [{}]'.format(1, soup.p.next_sibling))  # 第一个p元素的下一个兄弟节点，注意可能是一个文本节
点
print('{} [{}]'.format(2, soup.p.previous_sibling))
print(list(soup.p.next_siblings))  # previous_siblings

遍历其他元素 ：next_element是下一个可被解析的对象（字符串或tag），和下一个兄弟节点next_sibling不一样

print(soup.p.next_element)  # 返回"字典"2个字
print(soup.p.next_element.next_element.next_element)
print(list(soup.p.next_elements))

from lxml import etree  # lxml 是c语言的库，效率非常高
from bs4 import BeautifulSoup
# from bs4 import Tag# features推荐写清楚
with open('E:/马哥教育培训资料/slides/chapter16爬虫/test.html', encoding='utf-8') as f:soup = BeautifulSoup(f, 'lxml')  # str 就是html内容；file-like obj open：'lxml'print(soup.p.next_element)  # 返回字典两个字print(soup.p.next_element.next_element)print(soup.p.next_element.next_element.next_element)print(list(soup.p.next_elements))print(list(soup.p.next_siblings))

搜索文档树：

name：官方称为filter过滤器，这个参数可以是以下类型：

i.字符串：一个标签名称的字符串，会按照这个字符串全长匹配标签名

print(soup.find_all('p'))

ii.正则表达式对象：按照正则表达式对象的模式匹配标签名

print(soup.find_all(re.compile(r'^h\d')))  # 标签名一h开头后接数字

iii.列表

 print(soup.find_all(['p', 'h1', 'h3']))print(soup.find_all(['p', re.compile(r'h\d')]))

IV.True或None：True或None，则find_all返回全部非字符串节点、非注释节点，接胡思Tag标签类型。

   print(soup.list(map(lambda x: x.name, soup.find_all(True))))print(soup.list(map(lambda x: x.name, soup.find_all(None))))print(soup.list(map(lambda x: x.name, soup.find_all())))

from lxml import etree  # lxml 是c语言的库，效率非常高
from bs4 import BeautifulSoup
import re
from bs4 import Tag# features推荐写清楚
with open('E:/马哥教育培训资料/slides/chapter16爬虫/test.html', encoding='utf-8') as f:soup = BeautifulSoup(f, 'lxml')  # str 就是html内容；file-like obj open：'lxml'values = [True, None, False]for value in values:all = soup.find_all(value)print(type(all[0]))print(len(all))count = 0for i, t in enumerate(soup.descendants):print(i, type(t), t.name)if isinstance(t, Tag):count += 1print(count)

V.函数：如果使用以上过滤器还不能提取出想要的节点，可以使用函数，此函数仅只能接收一个参数。如果这个函数返回True，表示当前节点匹配；返回False则是不匹配。

from lxml import etree  # lxml 是c语言的库，效率非常高
from bs4 import BeautifulSoup
import re
import bs4def many_class(tag: bs4.Tag):# print(type(tag))# print(tag.attrs)return len(tag.attrs.get('class', [])) > 1# features推荐写清楚
with open('E:/马哥教育培训资料/slides/chapter16爬虫/test.html', encoding='utf-8') as f:soup = BeautifulSoup(f, 'lxml')  # str 就是html内容；file-like obj open：'lxml'print(soup.find_all(many_class))# [<h3 class="title highlight">python高级班</h3>]

keyword传参：使用关键字传参，如果参数名不是find系函数已定义的位置参数名，参数会被kwargs收集并被当做标签的属性来搜索。属性的传参可以是字符串、正则表达式对象、True、列表。

print(soup.find_all(id='first'))  # id为first的所有节点列表
print(soup.find_all(id=re.compile('\w+')))  # 相当于找有id的所有节点
print(soup.find_all(id=True))  # 所有有id的节点
print(list(map(lambda x:x['id'], soup.find_all(id=True))))
print(soup.find_all(id=['first', re.compile(r'^sec')]))  # 指定id的名称列表
print(soup.find_all(id=True, src=True))  # 相当于条件and，既有id又有src属性的节点列表

css的class的特殊处理：class是Python关键字，所以使用 class_ 。class是多值属性，可以匹配其中任意一个，也可以完全匹配。

print(soup.find_all(class_="content"))
print(soup.find_all(class_="title"))  # 可以使用任意一个css类
print(soup.find_all(class_="highlight"))  # 可以使用任意一个css类
print(soup.find_all(class_="highlight title"))  # 顺序错了，找不到
print(soup.find_all(class_="title highlight"))  # 顺序一致，找到，就是字符串完全匹配

attrs参数：attrs接收一个字典，字典的key为属性名，value可以是字符串、正则表达式对象、True、列表。可以多个属性

print(soup.find_all(attrs={'class':'title'}))
print(soup.find_all(attrs={'class':'highlight'}))
print(soup.find_all(attrs={'class':'title highlight'}))
print(soup.find_all(attrs={'id':True}))
print(soup.find_all(attrs={'id':re.compile(r'\d$')}))
print(list(map(lambda x:x.name, soup.find_all(attrs={
'id':True, 'src':True
}))))

text参数：可以通过text参数搜索文档中的字符串内容，接受字符串、正则表达式对象、True、列表

print(list(map(lambda x: (type(x), x), soup.find_all(text=re.compile('\w+')))))  # 返回文本类节点
print(list(map(lambda x: (type(x), x), soup.find_all(text=re.compile('[a-z]+')))))
print(soup.find_all(re.compile(r'^(h|p)'), text=re.compile('[a-z]+')))  # 相当于过滤出Tag对象，并看
它的string是否符合text参数的要求，返回Tag对象

limit参数：限制返回结果的数量

print(soup.find_all(id=True, limit=3))  # 返回列表中有3个结果

find_all()是非常常用的方法，可以简化省略掉：

print(soup('img'))  # 所有img标签对象的列表，不等价于soup.img
print(soup.img)  # 深度优先第一个img
print(soup.a.find_all(text=True))  # 返回文本
print(soup.a(text=True))  # 返回文本，和上面等价
print(soup('a', text=True))  # 返回a标签对象
print(soup.find_all('img', attrs={'id':'bg1'}))
print(soup('img', attrs={'id':'bg1'}))  # find_all的省略
print(soup('img', attrs={'id':re.compile('1')}))

find方法：find( name , attrs , recursive , text , **kwargs ) 参数几乎和fifind_all一样。找到了，fifind_all返回一个列表，而fifind返回一个单值，元素对象。找不到，fifind_all返回一个空列表，而fifind返回一个None。

print(soup.find('img', attrs={'id':'bg1'}).attrs.get('src', 'magedu'))
print(soup.find('img', attrs={'id':'bg1'}).get('src'))  # 简化了attrs
print(soup.find('img', attrs={'id':'bg1'})['src'])

CSS选择器 ***

和JQuery一样，可以使用CSS选择器来查找节点，使用soup.select()方法，select方法支持大部分CSS选择器，返回列表。CSS中，标签名直接使用，类名前加.点号，id名前加#井号。


from bs4 import BeautifulSoup# features推荐写清楚
with open('E:/马哥教育培训资料/slides/chapter16爬虫/test.html', encoding='utf-8') as f:soup = BeautifulSoup(f, 'lxml')  # str 就是html内容；file-like obj open：'lxml'# 元素选择器print(1, soup.select('p'))  # 所有的p标签# 类选择器print(2, soup.select('.title'))# 使用了伪类# 直接子标签是p的同类型的所有p标签中的第二个# （同类型）同标签名p的第2个，伪类只实现了nth-of-type，且要求是数字print(3, soup.select('div.content > p:nth-of-type(2)'))  # 只实现了这个伪类# id选择器print(4, soup.select('p#second'))print(5, soup.select('#bg1'))# 后代选择器print(6, soup.select('div p'))  # div下逐层找pprint(7, soup.select('div div p'))  # div下逐层找div下逐层找p# 子选择器，直接后代print(8, soup.select('div > p'))  # div下直接子标签的p，有2个# 相邻兄弟选择器print(9, soup.select('div p:nth-of-type(1) + [src]'))  # 返回[]print(9, soup.select('div p:nth-of-type(1) + p'))  # 返回[]print(9, soup.select('div > p:nth-of-type(2) + input'))  # 返回input Tagprint(9, soup.select('div > p:nth-of-type(2) + [type]'))  # 同上# 普通兄弟选择器print(10, soup.select('div p:nth-of-type(1) ~ [src]'))  # 返回2个img# 属性选择器print(11, soup.select('[src]'))  # 有属性srcprint(12, soup.select('[src="/"]'))  # 属性src等于/print(13, soup.select('[src="http://www.magedu.com/"]'))  # 完全匹配print(14, soup.select('[src^="http://www"]'))  # 以http://www开头print(15, soup.select('[src$="com/"]'))  # 以com/结尾print(16, soup.select('img[src*="magedu"]'))  # 包含mageduprint(17, soup.select('img[src*=".com"]'))  # 包含.comprint(18, soup.select('[class="title highlight"]'))print(19, soup.select('[class~=title]'))  # 多值属性中有一个title

获取文本内容:

from bs4 import BeautifulSoup# features推荐写清楚
with open('E:/马哥教育培训资料/slides/chapter16爬虫/test.html', encoding='utf-8') as f:soup = BeautifulSoup(f, 'lxml')  # str 就是html内容；file-like obj open：'lxml'ele = soup.select('div')  # 所有的div标签print(ele[0].string, end='\n------------\n')  # 内容仅仅只能是文本类型，否则返回Noneprint(list(ele[0].strings), end='\n------------\n')  # 迭代保留空白字符print(list(ele[0].stripped_strings), end='\n------------\n')  # 迭代不保留空白字符print(ele[0], end='\n------------\n')print(ele[0].text, end='\n------------\n')  # 本质上就是get_text()，保留空白字符的stringsprint(ele[0].get_text(), end='\n------------\n')  # 迭代并join，保留空白字符，strip默认为Falseprint(ele[0].get_text(strip=True))  # 迭代并join，不保留空白字符

2.4 Json解析

拿到一个Json字符串，如果想提取其中的部分内容，就需要遍历了。在遍历过程中进行判断。还有一种方式，类似于XPath，叫做JsonPath。安装：$ pip install jsonpath

import requests
import simplejson
from jsonpath import jsonpathurl = "https://movie.douban.com/j/search_subjects?type=movie&tag=%E7%83%AD%E9%97%A8&page_limit=50&page_start=0"headers = {'User-agent': "Mozilla/5.0 (Windows NT 6.1) AppleWebKit/537.36 (KHTML, like Gecko) \Chrome/55.0.2883.75 Safari/537.36"}
response = requests.get(url, headers=headers)with response:text = response.textprint(type(text), text)data = simplejson.loads(text)print(data)# //subjects# subjects = jsonpath(data, '$..subjects')  # 找不到就返回bool的False# if isinstance(subjects, list) and len(subjects) == 1:#     print(subjects)#     for subject in subjects[0]:#         print(subject.get['title'])# //subjects[rate > 8]/title  $.subjects[?(@.rate >8)]subjects = jsonpath(data, '$.subjects[?(@.rate > "8")].title')  # 找不到就返回bool的False# if isinstance(subjects, list) and len(subjects) == 1:print(subjects)

python爬虫解析库（Xpath、beautiful soup、Jsonpath）相关推荐

python xpath语法-Python爬虫 | 解析库Xpath的使用
first itemsecond itemthird itemfourth itemfifth item
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 爬虫利器二之 Beautiful Soup 的用法
上一节我们介绍了正则表达式,它的内容其实还是蛮多的,如果一个正则匹配稍有差池,那可能程序就处在永久的循环之中,而且有的小伙伴们也对写正则表达式的写法用得不熟练,没关系,我们还有一个更强大的工具,叫 B ...
两万字教会你解析库之Beautiful Soup
目录 1.简介 2.准备工作 3.解析器 4.基本用法 5.节点选择器 5.1选择元素 5.2提取信息 5.3嵌套选择 5.4关联选择 6.方法选择器 7. css 选择器 7.1 嵌套选择 7.2 ...
Python爬虫利器二之Beautiful Soup的用法
如果一个正则匹配稍有差池,那可能程序就处在永久的循环之中,没关系,我们还有一个更强大的工具,叫Beautiful Soup,有了它我们可以很方便地提取出HTML或XML标签中的内容. 1. Beaut ...
Python爬虫（三）Beautiful Soup 实战，爬取前程无忧网站
Beautiful Soup介绍 Beautiful Soup提供一些简单的.python式的函数用来处理导航.搜索.修改分析树等功能. Beautiful Soup自动将输入文档转换为Unicode ...
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XM ...
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利器怎么用-Python爬虫利器二之Beautiful Soup的用法
The Dormouse's story Once upon a time there were three little sisters; and their names were , Lacie ...

python爬虫解析库（Xpath、beautiful soup、Jsonpath）