當(dāng)前位置：首頁 > 编程语言 > python >内容正文

python

Python爬虫(十)_XPath与lxml类库

發(fā)布時(shí)間：2025/7/14 python 45 豆豆

生活随笔收集整理的這篇文章主要介紹了 Python爬虫(十)_XPath与lxml类库小編覺得挺不錯(cuò)的,現(xiàn)在分享給大家,幫大家做個(gè)參考.

有同學(xué)說，我正則用的不好，處理HTML文檔很累，有沒有其他的方法？
有！那就是XPath,我們可以用先將HTML文檔轉(zhuǎn)換成XML文檔，然后用XPath查找HTML節(jié)點(diǎn)或元素。

什么是XML

- XML指可擴(kuò)展標(biāo)記語言(Extensible Markup Language)
- XML是一種標(biāo)記語言，很類似HTML
- XML的設(shè)計(jì)宗旨是傳輸數(shù)據(jù)，而非顯示數(shù)據(jù)。
- XML的標(biāo)簽需要我們自行定義。
- XML被設(shè)計(jì)為具有自我描述性。
- XML是W3C的推薦標(biāo)準(zhǔn)。

W3School官方文檔：http://www.w3school.com.cn/xml/index.asp

XML和HTML的區(qū)別

數(shù)據(jù)格式描述設(shè)計(jì)目標(biāo)

XML	Extensible Markup Language （可擴(kuò)展標(biāo)記語言）	被設(shè)計(jì)為傳輸和存儲(chǔ)數(shù)據(jù)，其焦點(diǎn)是數(shù)據(jù)的內(nèi)容。
HTML	HyperText Markup Language（超文本標(biāo)記語言）	顯示數(shù)據(jù)以及如何更好顯示數(shù)據(jù)。
HTML DOM	Document Object Model for HTML (文檔對(duì)象模型)	通過 HTML DOM，可以訪問所有的 HTML 元素，連同它們所包含的文本和屬性。可以對(duì)其中的內(nèi)容進(jìn)行修改和刪除，同時(shí)也可以創(chuàng)建新的元素。

XML文檔實(shí)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>

HTML DOM模型示例

HTML DOM定義了訪問和操作HTML文檔的標(biāo)準(zhǔn)方法，以樹結(jié)構(gòu)方式表達(dá)了HTML文檔。

XML的節(jié)點(diǎn)關(guān)系

1.父(Parent)
每個(gè)元素以及屬性都有一個(gè)父。
下面是一個(gè)簡(jiǎn)單的XML例子中，book元素時(shí)title、author、year以及price

<?xml version="1.0" encoding="utf-8"?><book><title>Harry Potter</title><author>J K. Rowling</author><year>2005</year><price>29.99</price> </book>

2.子(Children)
元素節(jié)點(diǎn)可能有零個(gè)、一個(gè)或多個(gè)子。
在下面的例子中，title、author、year以及price元素都是book元素的子:

<?xml version="1.0" encoding="utf-8"?><book><title>Harry Potter</title><author>J K. Rowling</author><year>2005</year><price>29.99</price> </book>

3.同胞(Sibling)
擁有相同的父的節(jié)點(diǎn)
在下面的例子中，title、author、year以及price元素都是同胞：

<?xml version="1.0" encoding="utf-8"?><book><title>Harry Potter</title><author>J K. Rowling</author><year>2005</year><price>29.99</price> </book>

4.先輩(Ancestor)
某節(jié)點(diǎn)的父、父的父，等等。
在下面的例子中，title元素的先輩是book元素和bookstore元素：

<?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>

5.后代
某個(gè)節(jié)點(diǎn)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：

<?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>

什么是XPath?

XPath（XML Path Language）是一門在XML文檔中查找信息的語言，可用來在XML中對(duì)元素和屬性進(jìn)行遍歷。

W3School官方文檔：http://www.w3school.com.cn/xpath/index.asp

XPath 開發(fā)工具

開源的XPath表達(dá)式編輯工具：XML Quire(XML格式文件可用)

Chrome插件Xpath Helper

Firefox插件Xpath Checker

選取節(jié)點(diǎn)

XPath使用路徑表達(dá)式來選取XML文檔中的節(jié)點(diǎn)或者節(jié)點(diǎn)集。這些路徑表達(dá)式和我們常規(guī)的電腦文件系統(tǒng)中看到的表達(dá)式非常相似。
下面列出了最常用的路徑表達(dá)式：

表達(dá)式描述

nodename	選取此節(jié)點(diǎn)的所有子節(jié)點(diǎn)
/	從根節(jié)點(diǎn)選取
//	從匹配選擇的當(dāng)前節(jié)點(diǎn)選擇文檔中的節(jié)點(diǎn)，而不考慮它們的位置。
.	選取當(dāng)前節(jié)點(diǎn)。
..	選取當(dāng)前節(jié)點(diǎn)的父節(jié)點(diǎn)
@	選取屬性

在下面的表格中，我們已列出了一些路徑表達(dá)式以及表達(dá)式的結(jié)果：

路徑表達(dá)式描述

bookstore	選取bookstore元素的所有子節(jié)點(diǎn)。
/bookstore	選取根元素 bookstore。注釋：假如路徑起始于正斜杠( / )，則此路徑始終代表到某元素的絕對(duì)路徑！
bookstore/book	選取屬于bookstore的子元素的所有book元素
//book	選取所有book子元素，而不管它們?cè)谖臋n中的位置
bookstore//book	選擇屬于bookstore元素的后代的所有bok元素，而不管它們位于bookstore之下的什么位置
//@lang	選取名為lang的所有屬性。

謂語(Predicates)

謂語用來查找某個(gè)特定的節(jié)點(diǎn)或者包含某個(gè)特定的值的節(jié)點(diǎn)，被嵌在方括號(hào)中。
在下面的表格中，我們列出了帶有謂語的一些路徑表達(dá)式，以及表達(dá)式的結(jié)果：

路徑表達(dá)式結(jié)果

/bookstore/book[1]	選取屬于bookstore子元素的第一個(gè)book元素。
/bookstore/book[last()]	選取數(shù)據(jù)bookstore子元素的最后一個(gè)book元素
/bookstore/book[last()-1]	選取屬于bookstore元素的倒數(shù)第二個(gè)book元素
/bookstore/book[position()<3]	選取最前面的兩個(gè)屬于bookstore元素的子元素book元素
//title[@lang]	選取所有擁有名為lang的屬性的title元素
//title[@lang="eng"]	選取所有title元素，且這些元素?fù)碛兄禐閑ng的lang屬性
/bookstore/book[price>35.00]	選取所有bookstore元素的book元素，且其中的price元素的值必須大于35.00
/bookstore/book[price>35.00]/title	選取bookstore元素中的book元素的所有title元素，且其中的price元素的值必須大于35.00

選取未知節(jié)點(diǎn)

XPath通配符可用來選取未知的XML元素。

通配符描述

*	匹配任何元素節(jié)點(diǎn)
@*	匹配任何屬性節(jié)點(diǎn)
node()	匹配任何類型的節(jié)點(diǎn)

在下面的表格中，我們列出了一些路徑表達(dá)式，以及這些表達(dá)式的結(jié)果：

路徑表達(dá)式結(jié)果

/bookstore/*	選取bookstore元素的所有子元素
//*	選取文檔中的所有元素
title[@*]	選取所有帶屬性的title元素

選取若干路徑

通過在路徑表達(dá)式中使用"|"運(yùn)算符，您可以選取若干個(gè)路勁。
實(shí)例
在下面的表格中，我們列出了一些路徑表達(dá)式，以及這些表達(dá)式的結(jié)果：

路徑表達(dá)式結(jié)果

'//book/title \| //book/price'	選取book元素的所有title和price元素。
//title &#124 //price	選取文檔中的所有title和price元素
/bookstore/book/title \| //price	選取屬于bookstore元素的book元素的title元素，以及文檔中的所有price元素

XPath的運(yùn)算符

以上就是XPath的語法內(nèi)容，在運(yùn)用到Python抓取時(shí)要先轉(zhuǎn)換為xml.

lxml庫

lxml是一個(gè)HTML/XML的解析器，主要的功能是如何提取和解析HTML/XML數(shù)據(jù)。
lxml和正則一樣，也是用C實(shí)現(xiàn)，是一款高性能的Python HTML/XML解析器，我們可以利用之前學(xué)習(xí)的XPath語法，來快速的定位特定元素以及節(jié)點(diǎn)信息。
lxml python官方文檔：http://lxml.de/index.html
需要安裝C語言庫，可使用pip安裝：pip install lxml（或通過wheel方式安裝）

初步使用

我們利用它來解析HTML代碼，簡(jiǎn)單實(shí)例：

#-*- coding:utf-8 -*- #lxml_test.py#使用lxml的etree庫 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，此處缺少一個(gè) </li> 閉合標(biāo)簽</ul></div> '''#利用etree.HTML,將字符串解析為HTML文檔 html = etree.HTML(text)#按字符串序列化為HTML文檔 result = etree.tostring(html)print(result)

輸出結(jié)果：

<html><body> <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></li> </ul></div> </body></html>

lxml可以自動(dòng)修正html代碼，例子里不僅補(bǔ)全里li標(biāo)簽，還添加了body/html標(biāo)簽

文件讀取：

除了直接讀取字符串，lxml還支持從文件里讀取內(nèi)容。我們新建一個(gè)hello.html文檔：

<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()方法來讀取文件。

#lxml_parse.py from lxml import etree#讀取外部文件hello.html html = etree.parse('./hello.html') result = etree.tostring(html, pretty_print=True)print(result)

輸出結(jié)果與之前相同：

XPath實(shí)例測(cè)試

1.獲取所有的<li>標(biāo)簽

#xpath_li.pyfrom lxml import etreehtml = etree.parse('hello.html') print type(html) #顯示etree.parse()返回類型 result = html.xpath('//li')print result #打印<li>標(biāo)簽的的元素集合 print len(result) print type(result) print type(result[0])

輸出結(jié)果：

2.繼續(xù)獲取<li>標(biāo)簽的所有class屬性

#xpath_li.py from lxml import etreehtml = etree.parse('htllo.html') result = html.xpath('//li/@class')print result

運(yùn)行結(jié)果：

['item-0', 'item-1', 'item-inactive', 'item-1', 'item-0']

3.繼續(xù)獲取<li>標(biāo)簽下href為link1.html的<a>標(biāo)簽

#xpath_li.py from lxml import etreehtml = etree.parse('hello.html') result = html.xpath('//li/a[@href="link1.html"]')print result

運(yùn)行結(jié)果：

[<Element a at 0x10ffaae18>]

4.獲取<li>標(biāo)簽下的所有<span>標(biāo)簽

#xpath_li.pyfrom lxml import etreehtml = etree.parse('hello.html')#result = html.xpath('//li/span') #注意這么寫是不對(duì)的#因?yàn)?是用來獲取子元素的，而<span>不是<li>的子元素，所以，要用雙斜杠 result = html.xpath('//li//span')print result

運(yùn)行結(jié)果：

[<Element span at 0x10d698e18>]

5.獲取<li>標(biāo)簽下的<a>標(biāo)簽里的所有class

from lxml import etreehtml = etree.parse('hello.html')result = html.xpath('//li/a//@class')print result

運(yùn)行結(jié)果

['blod']

6.獲取最后一個(gè)<li>的<a>的href

#xpath_li.pyfrom lxml import etreehtml = etree.parse('hello.html')result = html.xpath('//li[last()]/a/@href') #謂語[last()]可以找到最后一個(gè)元素print result

運(yùn)行結(jié)果

['link5.html']

7.獲取倒數(shù)第二個(gè)元素的內(nèi)容

#xpath_li.py from lxml import etreehtml = etree.parse('hello.html')result = html.xpath('//li[last()-1]/a')#text方法可以獲取元素內(nèi)容 print(result[0].text)

運(yùn)行結(jié)果

fourth item

8.獲取class值為bold的標(biāo)簽名

#xpath_li.pyfrom lxml import etreehtml = etree.parse('hello.html')result = html.xpath('//*[@class="bold"]')#tag方法可以獲取標(biāo)簽名 print result[0].tag

運(yùn)行結(jié)果

span

轉(zhuǎn)載于:https://www.cnblogs.com/moying-wq/p/11569986.html

總結(jié)

以上是生活随笔為你收集整理的Python爬虫(十)_XPath与lxml类库的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。

上一篇： Python爬虫(九)_案例：使用正则表
下一篇： Python爬虫(十一)_案例：使用XP