爬虫 - XPath

XPath

简介

• XPath（XML Path Language）是一种用于在 XML 文档中定位和选择节点的语言。它是一种基于树结构的查询语言，常用于解析和处理 XML 文档。XPath 提供了一组用于导航和选择 XML 文档中节点的表达式。
• XPath 表达式由一系列路径表达式组成，用于描述节点的层次结构和关系。
• XPath 于 1999 年 11 月 16 日 成为 W3C 标准。
• XPath 广泛应用于各种 XML 处理工具和库中，例如 XPath 可以用于解析 XML 文档、提取数据、遍历节点等。在 Web 开发中，XPath 也常用于解析 HTML 文档，从中提取所需的数据。

安装

pip install lxml

XML 和 HTML 有什么区别？

XML（可扩展标记语言）和 HTML（超文本标记语言）是两种不同的标记语言，用于表示和组织文档内容。它们有以下几个主要区别：

1. 设计目的：XML 的设计目的是传输和存储数据，强调数据的结构化和扩展性。它被广泛用于数据交换和配置文件等领域。HTML 的设计目的是在 Web 上呈现和展示文档，强调文档的可视化和布局。
2. 标签定义：XML 允许用户自定义标签，因此可以根据需要创建自定义的标记结构。HTML 使用预定义的标签，这些标签具有特定的语义和功能，用于描述文档的结构和内容。
3. 标签语义：XML 中的标签没有预定义的语义，其含义由应用程序或处理工具来解释。HTML 中的标签具有固定的语义，例如 <p> 表示段落，<h1> 表示一级标题，<table> 表示表格等。
4. 样式和布局：HTML 提供了丰富的样式和布局功能，可以通过 CSS（层叠样式表）来控制文档的外观和排版。XML 本身并不关注样式和布局，它更专注于数据的结构和内容。
5. 解析方式：HTML 的解析器通常比较宽松，能够容忍一些语法错误，并尝试修复错误以展示页面。XML 的解析器要求文档必须符合严格的语法规则，否则会报错。

尽管 XML 和 HTML 有一些区别，但它们也有一些相似之处。例如，它们都使用尖括号包围标签，都采用树状结构表示文档的层次关系，都支持属性用于描述标签的附加信息。此外，XML 和 HTML 可以相互转换，可以使用 XSLT（可扩展样式表语言转换）将 XML 转换为 HTML，或者使用 HTML 解析器解析 XML 文档。

常用的路径表达式

表达式	描述
/	从根节点选取。
./	从当前节点开始往下查找
../	从当前节点的父节点查找
//	不考虑位置的查找。
@	选取属性。

实例

路径表达式	结果
bookstore/book	查找根节点 bookstore 下面所有直接子节点 book
/bookstore/*	查找 bookstore 元素的所有子元素
//book	查找所有 book
bookstore//book	查找 bookstore 下面所有的 book
/bookstore/book[1]	查找 bookstore 里面的第一个 book
/bookstore/book[last()]	查找 bookstore 里面的最后一个 book
/bookstore/book[last()-1]	查找 bookstore 里面的倒数第二个 book 元素
/bookstore/book[position()<3]	查找 bookstore 里面的最前面两个 book 元素
//title[@lang]	查找所有的带有 lang 属性的 title 节点
//title[not(@lang)]	查找所有的不带有 lang 属性的 title 节点
//title[@lang="eng"]	查找所有的 lang 属性值为 eng 的 title 节点
//title[not(@lang="eng")]	排除所有的 lang 属性值为 eng 的 title 节点
//title[contains(@lang, "eng")]	查找所有的 lang 属性值中包含 eng 的 title 节点
//title[not(contains(@lang, "eng"))]	排除所有的 lang 属性值中包含 eng 的 title 节点
//title[@*]	查找所有带有属性的 title 元素
//a[text()="下一页"]	查找所有文本内容为下一页的的 a 标签
//book[price>35.00]	查找所有 book 元素，且其中的 price 元素的值须大于 35.00
//book/title | //book/price	选取 book 元素的所有 title 和 price 元素

安装 Xpath 插件 (XPath Helper)

• 下载 XPath 插件
• 将 Xpath 插件拖动到谷歌浏览器扩展程序中，安装成功（或在 Chrome 应用商店下载，需要梯子）
• 启动和关闭插件

  ctrl + shift + x

属性定位

//input[@id="kw"]
//input[@class="bg s_btn"]

层级定位

//div[@id="head"]/div[2]/a[1]
//div[@id="head"]/div[2]/a[@class="toindex"]

索引定位

//div[@id="head"]/div/div[2]/a[@class="toindex"]
# 索引从1开始
//div[@id="head"]//a[@class="toindex"]
# 双斜杠代表下面所有的a节点，不管位置

逻辑运算

//input[@class="s_ipt" and @name="wd"]
//input[@class="s_ipt" or @name="wd"]

模糊匹配

• contains

  # 查找所有class属性中包含“s_i”的input
  //input[contains(@class, "s_i")]
  # 查找所有文本中包含“爱”的input
  //input[contains(text(), "爱")]
  # 排除所有文本中包含“爱”的input
  //input[not(contains(text(), "爱"))]

• starts-with

  # 查找所有class属性中以“s”开头的input
  //input[starts-with(@class, "s")]

取文本

//div[@id="s-top-left"]/a[5]/text()     # 获取节点内容
//div[@id="s-top-left"]//text()         # 获取节点里面不带标签的所有内容

# 直接将所有的内容拼接起来返回给你
ret = tree.xpath('//div[@class="song"]')
string = ret[0].xpath('string(.)')
print(string.replace('\n', '').replace('\t', ''))

取属性

# 获取节点属性
//div[@id="s-top-left"]/a[5]/@href

XPath 轴（Axes）

轴可定义相对于当前节点的节点集。

轴名称	结果
ancestor	选取当前节点的所有先辈（父、祖父等）。
ancestor-or-self	选取当前节点的所有先辈（父、祖父等）以及当前节点本身。
attribute	选取当前节点的所有属性。
child	选取当前节点的所有子元素。
descendant	选取当前节点的所有后代元素（子、孙等）。
descendant-or-self	选取当前节点的所有后代元素（子、孙等）以及当前节点本身。
following	选取文档中当前节点的结束标签之后的所有节点。
following-sibling	选取当前节点之后的所有兄弟节点
namespace	选取当前节点的所有命名空间节点。
parent	选取当前节点的父节点。
preceding	选取文档中当前节点的开始标签之前的所有节点。
preceding-sibling	选取当前节点之前的所有同级节点。
self	选取当前节点。

示例：

例子	结果
child::book	选取所有属于当前节点的子元素的 book 节点。
attribute::lang	选取当前节点的 lang 属性。
child::*	选取当前节点的所有子元素。
attribute::*	选取当前节点的所有属性。
child::text()	选取当前节点的所有文本子节点。
child::node()	选取当前节点的所有子节点。
descendant::book	选取当前节点的所有 book 后代。
ancestor::book	选择当前节点的所有 book 先辈。
ancestor-or-self::book	选取当前节点的所有 book 先辈以及当前节点（如果此节点是 book 节点）
child::*/child::price	选取当前节点的所有 price 孙节点。

XPath 运算符

XPath 表达式可返回节点集、字符串、逻辑值以及数字。

运算符	描述	实例	返回值
|	计算两个节点集	//book | //cd	返回所有拥有 book 和 cd 元素的节点集
+	加法	6 + 4	10
-	减法	6 - 4	2
*	乘法	6 * 4	24
div	除法	8 div 4	2
=	等于	price=9.80	如果 price 是 9.80，则返回 true。如果 price 是 9.90，则返回 false。
!=	不等于	price!=9.80	如果 price 是 9.90，则返回 true。如果 price 是 9.80，则返回 false。
<	小于	price<9.80	如果 price 是 9.00，则返回 true。如果 price 是 9.90，则返回 false。
<=	小于或等于	price<=9.80	如果 price 是 9.00，则返回 true。如果 price 是 9.90，则返回 false。
>	大于	price>9.80	如果 price 是 9.90，则返回 true。如果 price 是 9.80，则返回 false。
>=	大于或等于	price>=9.80	如果 price 是 9.90，则返回 true。如果 price 是 9.70，则返回 false。
or	或	price=9.80 or price=9.70	如果 price 是 9.80，则返回 true。如果 price 是 9.50，则返回 false。
and	与	price>9.00 and price<9.90	如果 price 是 9.80，则返回 true。如果 price 是 8.50，则返回 false。
mod	计算除法的余数	5 mod 2	1

代码中使用 Xpath

• 引入

  from lxml import etree

• 两种方式使用：将 html 文档变成一个对象，然后调用对象的方法去查找指定的节点
  1. 本地文件

     tree = etree.parse(文件名)

  2. 网络文件

     tree = etree.HTML(网页字符串)

• ret = tree.xpath(路径表达式)：ret 是一个列表
• 有时使用 parse() 函数读取本地 HTML 文件时因为 HTML 文件不规范导致报错该如何解决？，参见：使用 lxml 解析本地 html 文件报错？

lxml 进阶

• 在 Xpath 中使用索引取值时，如果没有获取到值就会报错，如：

  icon = otr.xpath('./td[@class="td-model"]/div/a/i/text()')[0]

• 那么该如何解决这个问题呢？
  • 方法一

    icon = otr.xpath('./td[@class="td-model"]/div/a/i')
    if icon:
        icon_text = icon[0].text
    else:
        icon_text = "default_value"

  • 方法二（推荐）

    # 获取文本
    icon_text = otr.findtext('./td[@class="td-model"]/div/a/i', default="default_value")
    
    # 获取属性
    icon_href = otr.find('./td[@class="td-model"]/div/a').get('href', default="default_value")

• 常用的 lxml 方法及其作用：
  1. ElementTree()：创建一个 XML/HTML 文档的根元素对象。
  2. Element()：创建一个 XML/HTML 元素对象。
  3. fromstring()：将 XML/HTML 字符串解析为一个元素对象。
  4. parse()：解析 XML/HTML 文件，并返回一个根元素对象。
  5. find()：查找符合指定 XPath 表达式的第一个节点，并返回该节点对象。
  6. findall()：查找符合指定 XPath 表达式的所有节点，并返回节点对象列表。
  7. findtext()：查找符合指定 XPath 表达式的第一个节点，并返回节点的文本值。
  8. get()：获取指定节点的属性值。
  9. iter()：迭代遍历文档中的所有节点。
  10. iterfind()：迭代查找符合指定 XPath 表达式的节点。
  11. attrib：获取节点的属性字典。
  12. text：获取节点的文本值。
  13. tag：获取节点的标签名。
  14. getparent()：获取节点的父节点。
  15. getchildren()：获取节点的子节点列表。
  16. addnext()：在当前节点之后插入一个新节点。
  17. addprevious()：在当前节点之前插入一个新节点。
  18. append()：将一个节点添加为当前节点的子节点。
  19. remove()：从文档中删除当前节点。

示例 1：测试

from lxml import etree

# 生成对象
tree = etree.parse('xpath.html')

# print(tree)
# ret = tree.xpath('//div[@class="tang"]/ul/li[1]/text()')
# ret = tree.xpath('//div[@class="tang"]/ul/li[last()]/a/@href')
# ret = tree.xpath('//div[@class="tang"]/ul/li[@class="love" and @name="yang"]')
# ret = tree.xpath('//li[contains(@class,"l")]')
# ret = tree.xpath('//li[contains(text(),"爱")]/text()')
# ret = tree.xpath('//li[starts-with(@class, "ba")]/text()')

# ret = tree.xpath('//div[@class="song"]')
# string = ret[0].xpath('string(.)')
# print(string.replace('\n', '').replace('\t', ''))

odiv = tree.xpath('//div[@class="tang"]')[0]

ret = odiv.xpath('.//li[@class="balove"]')
print(ret)

<!DOCTYPE html>
<html lang="en">
<head>
    <meta charset="UTF-8"/>
    <title>xpath测试</title>
</head>
<body>
	<div class="song">
		火药
		<b>指南针</b>
		<b>印刷术</b>
		造纸术
	</div>
	<div class="tang">
		<ul>
			<li class="balove">停车坐爱枫林晚,霜叶红于二月花</li>
			<li id="hua">商女不知亡国恨,隔江犹唱后庭花</li>
			<li class="love" name="yang">一骑红尘妃子笑,无人知是荔枝来</li>
			<li id="bei">葡萄美酒夜光杯,欲饮琵琶马上催</li>
			<li><a href="http://www.baidu.com/">百度一下</a></li>
		</ul>
	</div>
	<ol>
		<li class="balove">寻寻觅觅,冷冷清清,凄凄惨惨戚戚</li>
		<li class="balily">乍暖还寒时候,最难将息</li>
		<li class="lilei">三杯两盏淡酒</li>
		<li>怎敌他晚来风急</li>
		<li>雁过也,正伤心,却是旧时相识</li>
		<li>爱就一个字,我只说一次</li>
		<li>爱情36计,我要立刻美丽</li>
	</ol>
</body>
</html>

示例 2：爬取好段子

import urllib.request
import urllib.parse
from lxml import etree
import time
import json

item_list = []


def handle_request(url, page):
    headers = {
        'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/79.0.3945.88 Safari/537.36'
    }
    # 将url和page进行拼接
    url = url.format(page)
    # print(url)
    request = urllib.request.Request(url=url, headers=headers)
    return request


def parse_content(content):
    # print('haha')
    # 生成对象
    tree = etree.HTML(content)
    # 抓取内容
    div_list = tree.xpath('//div[@class="log cate10 auth1"]')
    # 遍历div列表
    for odiv in div_list:
        # print('lala')
        # 获取标题
        title = odiv.xpath('.//h3/a/text()')[0]
        # print(title)
        text_lt = odiv.xpath('.//div[@class="cont"]/p/text()')
        text = '\n'.join(text_lt)
        # print(text)
        # print('*' * 50)
        item = {
            '标题': title,
            '内容': text,
        }
        # 将内容添加到列表中
        item_list.append(item)


def main():
    start_page = int(input('请输入起始页码:'))
    end_page = int(input('请输入结束页码:'))
    url = 'http://www.haoduanzi.com/category-10_{}.html'
    for page in range(start_page, end_page + 1):
        request = handle_request(url, page)
        content = urllib.request.urlopen(request).read().decode()
        # 解析内容
        parse_content(content)
        time.sleep(2)

    # 写入到文件中
    # string = json.dumps(item_list, ensure_ascii=False)
    with open('duanzi.txt', 'w', encoding='utf8') as fp:
        fp.write(str(item_list))


if __name__ == '__main__':
    main()

换行问题

• 存储的时候显示的 \n 是有效的
• 在读取过来单独使用的时候换行符生效
• 示例

  lt = [{'name': '宫本武藏\n小田纯一郎'}]
  
  # with open('lala.txt', 'w', encoding='utf8') as fp:
  # 	fp.write(str(lt))
  
  fp = open('lala.txt', 'r', encoding='utf8')
  string = fp.read()
  fp.close()
  
  lt = eval(string)
  print(lt[0]['name'])

  宫本武藏
  小田纯一郎

  运行结果

下载图片

• 懒加载技术：用到时候再加载
• 实现方式

  <img src2="图片路径">
  <img src="图片路径" src2="">

• 示例：http://sc.chinaz.com/tupian/xingganmeinvtupian.html

  import urllib.request
  import urllib.parse
  from lxml import etree
  import time
  import os
  
  
  def handle_request(url, page):
      # 由于第一页和后面的页码规律不一样，所以要进行判断
      if page == 1:
          url = url.format('')
      else:
          url = url.format('_' + str(page))
  
      headers = {
          'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/79.0.3945.88 Safari/537.36'
      }
      request = urllib.request.Request(url=url, headers=headers)
      return request
  
  
  # 解析内容，并且下载图片
  def parse_content(content):
      tree = etree.HTML(content)
      image_list = tree.xpath('//div[@id="container"]/div/div/a/img/@src2')
      # 懒加载
      # print(image_list)
      # print(len(image_list))
      # 遍历列表，依次下载图片
      for image_src in image_list:
          download_image(image_src)
  
  
  def download_image(image_src):
      dirpath = 'xinggan'
      # 创建一个文件夹
      if not os.path.exists(dirpath):
          os.mkdir(dirpath)
  
      # 搞个文件名
      filename = os.path.basename(image_src)
      # 搞图片路径
      filepath = os.path.join(dirpath, filename)
      # 发送请求，保存图片
      headers = {
          'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/79.0.3945.88 Safari/537.36'
      }
      request = urllib.request.Request(url=image_src, headers=headers)
      response = urllib.request.urlopen(request)
      with open(filepath, 'wb') as fp:
          fp.write(response.read())
  
  
  def main():
      url = 'http://sc.chinaz.com/tupian/xingganmeinvtupian{}.html'
      # http://sc.chinaz.com/tupian/xingganmeinvtupian_2.html
      start_page = int(input('请输入起始页码:'))
      end_page = int(input('请输入结束页码:'))
      for page in range(start_page, end_page + 1):
          request = handle_request(url, page)
          content = urllib.request.urlopen(request).read().decode()
          parse_content(content)
          time.sleep(2)
  
  
  if __name__ == '__main__':
      main()