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).text
detail_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()
最新文章
- Redis Sentinel:集群Failover解决方案(转载)
- SQL SERVER2008及以上版本数据库自动备份的三种方法
- Solr常用查询语法笔记
- PLSQL_性能优化系列01_Oracle Index索引
- C# dll 事件执行 js 回调函数
- 我的git常用命令
- Unable open dabase as spfile parameter incorrect
- iOS enum C方法 DEBUG, RELEASE的隐藏的一个坑
- 3Des加解密 C#--->;Java
- windows下用C++修改本机IP地址
- Android 项目中用得最多最火的第三方框架可能都在这里了
- idea上使用maven入门(二)——本地仓库以及使用maven
- 基于token与基于服务器的身份认证
- 几种方法来实现scp拷贝时无需输入密码
- 【ArcGIS】安装ArcEngine 10的顺序
- 【jquery】 在异步加载的元素上绑定事件
- Gitlab 项目上传
- debian修改默认编辑器
- JavaScript中的arguments详解
- 备份恢复-----system表空间损坏
热门文章
- 利用中转输出表制作HijackDll
- django基础篇03-阶段总结
- rest_framework框架的基本组件
- Quartus 中调用modelsim的流程及*.vt或*.vht自动生成
- tensorflow 中 inter_op 和 intra_op
- 长沙理工大学第十二届ACM大赛-重现赛 J	武藏牌牛奶促销
- ubuntu 系统问题总结
- [Comet OJ - Contest #9 &; X Round 3] Namid[A]me
- MSSQL时间格式转换
- 0-4评价一个语言模型Evaluating Language Models:Perplexity