一文搞定强大的爬虫数据解析工具-Xpath

Posted 尤尔小屋的猫

tags:

篇首语：本文由小常识网(cha138.com)小编为大家整理，主要介绍了一文搞定强大的爬虫数据解析工具-Xpath相关的知识，希望对你有一定的参考价值。

公众号：尤而小屋
作者：Peter
编辑：Peter

强大的Xpath

之前爬虫解析数据的时候，自己几乎都是用正则表达式。正则解析数据很强大，但是表达式写起来很麻烦，速度相对较慢。本文介绍的是如何快速入门一种数据解析工具：Xpath。

Xpath介绍

XPath （XML Path）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。

XPath 是 W3C XSLT 标准的主要元素，并且 XQuery 和 XPointer 都构建于 XPath 表达之上。

  • Xpath是一种查询语言
  • 在XML（Extensible Markup Language）和html的树状结构中寻找节点
  • XPATH是一种根据‘地址’来‘寻找人’的语言

快速入门网站：https://www.w3schools.com/xml/default.asp

Xpath安装

MacOS中安装非常的简单：

pip install lxml

Linux中的安装以Ubuntu为例：

sudo apt-get install python-lxml

Windows中的安装请自行百度，肯定会有教程的，就是过程相对会比较麻烦些。

如何检验安装是否成功？命令行中import lxml没有报错，即表示安装成功！

Xpath解析原理

  • 实例化一个etree解析对象，且需要将解析的页面源码数据加载到对象中
  • 调用xpath中的xpath解析方法结合着xpath表达式实现标签的定位和内容的捕获

如何实例化etree对象？

  1. 将本地的html文档中的源码数据加载到etree对象中：etree.parse(filePath)
  2. 将互联网上获取的源码数据加载到该对象中：etree.HTML(‘page_text’)，其中page_text指的就是我们获取到的源码内容

Xpath使用方法

3个特殊符号

  • /：表示从根节点开始解析，并且是单个层级，逐步定位
  • //：表示多个层级，可以跳过其中的部分层级；也表示从任意位置开始定位
  • .：一个点表示当前的节点

常见路径表达式

下面是常见的Xpath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。

举例

表达式说明
books选取 books 元素的所有子节点
/books选取根元素 bookstore
books//title选取属于 books 的子元素的所有 title 元素
//price选取所有 price 元素
books/book[3]选取属于 books 子元素的第3个 book 元素，索引从1开始
/bookstore/book[price>55.0]选取所有单价大于55的 book 元素
//@category选取所有名为 category 的属性
/books/book/title/text()选取文档所有 title 值

Xpath运算符

在Xpath表达式式中是直接支持运算符的：

OperatorDescriptionExampleChinese
|Computes two node-sets//book | //cd合并两个结果
+Addition6 + 4加
-Subtraction6 - 4减
*Multiplication6 * 4乘
divDivision8 div 4除
=Equalprice=9.80等于
!=Not equalprice!=9.80不等于
<Less thanprice<9.80小于
<=Less than or equal toprice<=9.80小于等于
>Greater thanprice>9.80大于
>=Greater than or equal toprice>=9.80大于等于
ororprice=9.80 or price=9.70或
andandprice>9.00 and price<9.90且
modModulus (division remainder)5 mod 2求余

HTML元素

HTML 元素指的是从开始标签（start tag）到结束标签（end tag）的所有代码。基本语法：

  • HTML 元素以开始标签起始；HTML 元素以结束标签终止
  • 元素的内容是开始标签与结束标签之间的内容
  • 某些 HTML 元素具有空内容（empty content）
  • 空元素在开始标签中进行关闭（以开始标签的结束而结束）
  • 大多数 HTML 元素可拥有属性；属性推荐使用小写

关于空元素的使用：在开始标签中添加斜杠，比如<br />，是关闭空元素的正确方法，HTML、XHTML 和 XML 都接受这种方式。

常见属性

属性值描述
classclassname规定元素的类名（classname）
idid规定元素的唯一 id
stylestyle_definition规定元素的行内样式（inline style）
titletext规定元素的额外信息（可在工具提示中显示）

HTML标题

HTML中标题共有6级。

标题（Heading）是通过 <h1> - <h6> 等标签进行定义的。

<h1> 定义最大的标题，<h6> 定义最小的标题。

原数据

使用Xpath解析数据之前，我们需要先导入库，同时实例化一个etree对象：

# 导入库
from lxml import etree

# 实例化解析对象
tree = etree.parse("test.html")
tree

下面是待解析的原数据test.html：

  1 <html lang="en">
  2 <head>
  3     <meta charset="UTF-8" />
  4     <title>古代诗人及作品</title>
  5 </head>
  6 <body>
  7     <div>
  8         <p>诗人姓名</p>
  9     </div>
 10     <div class="name">
 11         <p>李白</p>
 12         <p>白居易</p>
 13         <p>李清照</p>
 14         <p>杜甫</p>
 15         <p>王安石</p>
 16         <a href="http://wwww.tang.com" title="李世民" target="_self">
 17             <span> this is span </span>
 18         古代诗人写的诗词真的非常棒</a>
 19         <a href="" class="du">床前明月光，疑是地上霜</a>
 20         <img src="http://www.baidu.com/tang.jpg" alt="" />
 21     </div>
 22     <div class="tang">
 23         <ul>
 24             <li><a href="http://www.baidu.com" title="百度">朝辞白帝彩云间，千里江陵一日还</a></li>
 25             <li><a href="http://www.sougou.com" title="搜狗">清明时节雨纷纷，路上行人欲断魂</a></li>
 26             <li><a href="http://www.360.com" alt="360">秦时明月汉时关，万里长征人未还</a></li>
 27             <li><a href="http://www.sina.com" title="必应">君子赠人以言，庶人赠人以财</a></li>
 28             <li><b>苏轼</b></li>
 29             <li><i>苏洵</i></li>
 30             <li><a href="http://www.google.cn" id="谷歌">欢迎使用谷歌浏览器</a></li>
 31         </ul>
 32     </div>
 33 </body>
 34 </html>

获取单个标签内容

比如想获取title标签中的内容：古代诗人及作品

title = tree.xpath("/html/head/title")
title

通过上面的结果发现：每个Xpath解析的结果都是一个列表

如果想取得标签中的文本内容，使用text()：

# 从列表中提取相应内容

title = tree.xpath("/html/head/title/text()")[0]  # 索引0表示取得第一个元素值
title

获取标签内的多个内容

比如我们想获取div标签的内容，原数据中有3对div标签，结果是列表中含有3个元素：

1、使用单斜线/：表示根节点html开始定位，表示的是一个层级

2、中间使用双斜线//：表示跳过中间的层级，表示的是多个层级

3、开头部位使用双斜线//：表示从任意位置开始

属性定位

使用属性定位的时候直接在标签后面跟上[@属性名="属性值"]：

name = tree.xpath('//div[@class="name"]')   # 定位class属性，值为name
name

索引定位

Xpath中索引是从1开始，和python中的索引从0开始是不同的。比如想定位div标签下class属性（值为name）下的全部p标签：5对p标签，结果应该是5个元素

# 获取全部数据

index = tree.xpath('//div[@class="name"]/p')
index

如果我们想获取其中的第3个p标签：

# 获取单个指定数据：索引从1开始

index = tree.xpath('//div[@class="name"]/p[3]')  # 索引从1开始
index

获取文本内容

第一种方法：text()方法

1、获取具体某个标签下面的元素：

# 1、/：单个层级
class_text = tree.xpath('//div[@class="tang"]/ul/li/b/text()')
class_text

# 2、//：多个层级
class_text = tree.xpath('//div[@class="tang"]//b/text()')
class_text

2、某个标签下面的多个内容

比如想获取p标签下面的全部内容：

# 获取全部数据

p_text = tree.xpath('//div[@class="name"]/p/text()')
p_text

比如想获取第3个p标签下面的内容：

# 获取第3个标签内容

p_text = tree.xpath('//div[@class="name"]/p[3]/text()')  
p_text

如果是先获取p标签中的全部内容，结果是列表，再使用python索引获取，注意索引为2：

非标签直系内容的获取：

标签直系内容的获取：结果为空，直系的li标签中没有任何内容

如果想获取li标签的全部内容，可以将下面的a、b、i标签合并起来，使用竖线|

# 同时获取li标签下面a/b/i标签的内容，相当于是li标签全部的内容

abi_text = tree.xpath('//div[@class="tang"]//li/a/text() | //div[@class="tang"]//li/b/text() | //div[@class="tang"]//li/i/text()')
abi_text

直系和非直系理解

取属性内容

如果想获取属性的值，在最后的表达式中加上：@+属性名，即可取出相应属性的值

1、获取单个属性的值

2、获取属性的多个值

总结

在这里对Xpath的使用总结下：

  • //：表示获取标签非直系内容，有跨越层级
  • /：表示只获取标签的直系内容，不跨越层级
  • 如果索引是在Xpath表达式中，索引从1开始；如果从Xpath表达式中获取到列表数据后，再使用python索引取数，索引从0开始

实战

利用XPATH来爬取小说网站上古龙的全部小说名称（name）和URL地址（url），古龙简介：

本名熊耀华，江西人；台湾淡江英专(即淡江大学前身)毕业(一说肄业)。少年时期便嗜读古今武侠小说及西洋文学作品，一般多以为他是受到吉川英治、大小仲马、海明威、杰克伦敦、史坦贝克小说乃至尼采、沙特等西洋哲学的影响启迪。 (古龙自己也说过“我喜欢从近代日本及西洋小说‘偷招’。”) 故能日新又新，後来居上，且别开武侠小说新境界。

网页数据分析

爬取的信息在这个网站上：https://www.kanunu8.com/zj/10867.html

当我们点击具体某个小说，比如“绝代双骄”就可以进去该小说的具体信息中：

通过查看网页的源码，我们发现名称和URL地址全部在下面的标签中：

每个tr标签下面有3个td标签，代表3个小说，一个td包含地址和名称

获取网页源码

发送网页请求获取到源码

import requests
from lxml import etree 
import pandas as pd

url = 'https://www.kanunu8.com/zj/10867.html'
headers = {'user-agent': '请求头'}

response = requests.get(url = url,headers = headers)
result = response.content.decode('gbk')   # 该网页需要通过gbk编码来解析数据
result

获取信息

1、获取每个小说的专属链接地址

tree = etree.HTML(result)

href_list = tree.xpath('//tbody/tr//a/@href')  # 指定属性的信息
href_list[:5]

2、获取每个小说的名称

name_list = tree.xpath('//tbody/tr//a/text()')  # 指定标签下面的全部内容
name_list[:5]

3、生成数据帧DataFrame

# 生成古龙小说的地址和名称

gulong = pd.DataFrame({
    "name":name_list,
    "url":href_list 
})

gulong

4、完善URL地址

实际上每个小说的URL地址是有一个前缀的，比如绝代双骄的完整地址：https://www.kanunu8.com/book/4573/

gulong['url'] = 'https://www.kanunu8.com/book' + gulong['url']   # 加上公共前缀
gulong

# 导出为excel文件
gulong.to_excel("gulong.xlsx",index=False)

以上是关于一文搞定强大的爬虫数据解析工具-Xpath的主要内容，如果未能解决你的问题，请参考以下文章

Python爬虫：想听榜单歌曲？只需要14行代码即可搞定

爬虫网页分析解析辅助工具 Xpath-helper

爬虫网页分析解析辅助工具 Xpath-helper

Python 爬虫 解析库的使用 --- XPath

爬虫之Beautifulsoup及xpath

小爬虫学习——网页解析工具(bs4xpath)