爬虫入门到精通-网页的解析（xpath）

爬虫

发布于 2018-04-08 12:01:56

1.2K0

发布于 2018-04-08 12:01:56

文章被收录于专栏：Python与爬虫Python与爬虫

本文章属于爬虫入门到精通系统教程第六讲

在爬虫入门到精通第五讲中，我们了解了如何用正则表达式去抓取我们想要的内容.这一章我们来学习如何更加简单的来获取我们想要的内容.

xpath的解释

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。 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的基本使用

要使用xpath我们需要下载lxml，在爬虫入门到精通-环境的搭建（http://mp.weixin.qq.com/s?__biz=MzU2OTAxNTcwMw==&mid=100000022&idx=1&sn=a7091cd4b98790b6a4ed017921e757fb&chksm=7c846dee4bf3e4f83758b7c9a9bd75822b006770b71c7c29722f2c28840edfbc705951960d7f#rd）这一章也说明怎么装，如果还没有安装的话，那就去下载安装吧

直接看代码实战吧。

from lxml import etree
# 定义一个函数，给他一个html，返回xml结构
def getxpath(html):
    return etree.HTML(html)
# 下面是我们实战的第一个html
sample1 = """
<html> 
   <head> <title>My page</title></head> 
   <body> 
     <h2>Welcome to my <a href="#" src="x">page</a></h2>    
     <p>This is the first paragraph.</p>   
     <!-- this is the end -->  
   </body>
</html>"""
# 获取xml结构
s1 = getxpath(sample1)
# 获取标题(两种方法都可以)#有同学在评论区指出我这边相对路径和绝对路径有问题，我搜索了下#发现定义如下图
s1.xpath('//title/text()')
s1.xpath('/html/head/title/text()')

相对路径与绝对路径

总结及注意事项

获取文本内容用 text()
获取注释用 comment()
获取其它任何属性用@xx，如
- @href
- @src
- @value

sample2 = """
<html>
  <body>
    <ul>
      <li>Quote 1</li>
      <li>Quote 2 with <a href="...">link</a></li>
      <li>Quote 3 with <a href="...">another link</a></li>
      <li><h2>Quote 4 title</h2> ...</li>
    </ul>
  </body>
</html>
"""
s2 = getxpath(sample2)

总结及注意事项

上面的li 可以更换为任何标签，如 p、div
位置默认以1开始的
最后一个用 li[last()] 不能用 li[-1]
这个一般在抓取网页的下一页，最后一页会用到

sample3 = """
<html>  
  <body>    
    <ul>      
      <li id="begin"><a href="https://scrapy.org">Scrapy</a>begin</li>      
      <li><a href="https://scrapinghub.com">Scrapinghub</a></li>      
      <li><a href="https://blog.scrapinghub.com">Scrapinghub Blog</a></li>      
      <li id="end"><a href="http://quotes.toscrape.com">Quotes To Scrape</a>end</li>      
      <li data-xxxx="end" abc="abc"><a href="http://quotes.toscrape.com">Quotes To Scrape</a>end</li>    
    </ul>  
  </body></html>"""
s3 = getxpath(sample3)

总结及注意事项

根据html的属性或者文本直接定位到当前标签
文本是 text()='xxx'
其它属性是@xx='xxx'
这个是我们用到最多的，如抓取知乎的xsrf(见下图)
- 我们只要用如下代码就可以了 //input[@name="_xsrf"]/@value

sample4 = u"""
<html>  
  <head>    
    <title>My page</title>  
  </head>  
  <body>    
    <h2>Welcome to my <a href="#" src="x">page</a></h2>    
    <p>This is the first paragraph.</p>    
    <p class="test">编程语言
        <a href="#">python</a>
        <img src="#" alt="test"/>javascript   
       <a href="#"><strong>C#</strong>JAVA</a>
    </p>    
    <p class="content-a">a</p>    
    <p class="content-b">b</p>    
    <p class="content-c">c</p>    
    <p class="content-d">d</p>    
    <p class="econtent-e">e</p>    
    <p class="heh">f</p>    
    <!-- this is the end -->  
  </body>
</html>"""
s4 = etree.HTML(sample4)

总结及注意事项

想要获取某个标签下所有的文本（包括子标签下的文本），使用string
- 如 <p>123<a>来获取我啊</a></p>，这边如果想要得到的文本为"123来获取我啊"，则需要使用string
starts-with 匹配字符串前面相等
contains 匹配任何位置相等
当然其中的(@class,"content")也可以根据需要改成(text(),"content")或者其它属性(@src,"content")