python爬虫之xpath语法及案例使用

—- 钢铁知识库 2022.08.15

我们在写python爬虫时，经常需要对网页提取信息，如果用传统正则表达去写会增加很多工作量，此时需要一种对数据解析的方法，也就是本章要介绍的xpath表达式。

xpath是什么

xpath，全称 xml path language，即 xml 路径语言，它是一门在 xml 文档中查找信息的语言。最初是用来搜寻 xml 文档的，但同样适用于 html 文档的搜索。所以在做爬虫时完全可以使用 xpath 做相应的信息抽取。

xpath 的选择功能十分强大，它提供了非常简洁明了的路径选择表达式。另外，它还提供超过 100 个内置函数，用于字符串、数值、时间的匹配以及节点、序列的处理等，几乎所有想要定位的节点都可以用 xpath 来选取。

下面介绍实战中常用的几个知识点，详细也可以看w3c介绍：https://www.w3school.com.cn/xpath/index.asp

xpath语法介绍路径常用规则表达式描述实例nodename选取此节点的所有子节点xpath(‘//div’)选取了div节点的所有子节点/从根节点选取xpath(‘/div’)从根节点上选取div节点//选取所有当前节点，不考虑位置xpath(‘//div’)选取所有的div节点.选取当前节点xpath(‘./div’)选取当前节点下的div节点…选取当前节点的父节点xpath(‘…’)回到上一个节点@选取属性xpath（‘//@calss’）选取所有的class属性谓语规则

谓语被嵌在方括号内，用来查找某个特定的节点或包含某个制定的值的节点

表达式结果xpath(‘/body/div[1]’)选取body下的第一个div节点xpath(‘/body/div[last()]’)选取body下最后一个div节点xpath(‘/body/div[last()-1]’)选取body下倒数第二个div节点xpath(‘/body/div[positon()❤️]’)选取body下前两个div节点xpath(‘/body/div[@class]’)选取body下带有class属性的div节点xpath(‘/body/div[@class=“main”]’)选取body下class属性为main的div节点xpath(‘/body/div[price>35.00]’)选取body下price元素值大于35的div节点通配符

通配符来选取未知的xml元素

表达式结果xpath（‘/div/*’）选取div下的所有子节点xpath(‘/div[@*]’)选取所有带属性的div节点取多个路径

使用“|”运算符可以选取多个路径

表达式结果xpath(‘//div|//table’)选取所有的div和table节点功能函数

使用功能函数能够更好的进行模糊搜索

函数用法解释starts-withxpath(‘//div[starts-with(@id,“ma”)]’)选取id值以ma开头的div节点containsxpath(‘//div[contains(@id,“ma”)]’)选取id值包含ma的div节点andxpath(‘//div[contains(@id,“ma”) and contains(@id,“in”)]’)选取id值包含ma和in的div节点text()xpath(‘//div[contains(text(),“ma”)]’)选取节点文本包含ma的div节点语法熟悉

下面举一段html文本进行语法热身，代码如下

#!/usr/bin/env python# -*- coding: utf-8 -*-# time: 2022/8/8 0:05# author: gangtie# email: 648403020@qq.comfrom lxml import etreetext = '''                             first item                 second item                 third item                 fourth item                 fifth item                      '''# 调用html类进行初始化，这样就成功构造了一个xpath解析对象。# 利用etree.html解析字符串page = etree.html(text)   print(type(page))

可以看到打印结果已经变成xml元素：

字符串转换html

字符串利用etree.html解析成html格式：

print(etree.tostring(page,encoding='utf-8').decode('utf-8'))```                             first item                 second item                 third item                 fourth item                 fifth item                      process finished with exit code 0```

经过处理可以看到缺失的也自动补全了，还自动添加html、body节点。

查找绝对路径

通过绝对路径获取a标签的所有内容

a = page.xpath("/html/body/div/ul/li/a")for i in a:    print(i.text)```first itemsecond itemthird itemnonefifth item```

查找相对路径(常用)

查找所有li标签下的a标签内容

html = etree.html(text)a = html.xpath("//a/text()")print(a)```['first item', 'second item', 'third item', 'fifth item']```

当前标签节点

. 表示选取当前标签的节点。

我们先定位 ul 元素节点得到一个列表，打印当前节点列表得到第一个 ul，接着打印 ul 节点的子节点 li，text()输出。

page = etree.html(text)ul = page.xpath("//ul")print(ul)print(ul[0].xpath("."))print(ul[0].xpath("./li"))print(ul[0].xpath("./li/a/text()"))```[][][, , , , ]['first item', 'second item', 'third item', 'fifth item']```

父节点

.. 表示选取当前标签的父节点。

可以看到得到ul的上一级div

page = etree.html(text)ul = page.xpath("//ul")print(ul[0].xpath("."))print(ul[0].xpath(".."))```[][]```

属性匹配

匹配时可以用@符号进行属性过滤查找a标签下属性href值为https://blog.csdn.net/u011463397/article/details/link2.html的内容

html = etree.html(text)a = html.xpath("//a[@href='https://blog.csdn.net/u011463397/article/details/link2.html']/text()")print(a)```['second item']```

函数

last()：查找最后一个li标签里的a标签的href属性

html = etree.html(text)a = html.xpath("//li[last()]/a/text()")print(a)```['fifth item']```

contains：查找a标签中属性href包含link的节点，并文本输出

html = etree.html(text)a = html.xpath("//a[contains(@href, 'link')]/text()")print(a)```['first item', 'second item', 'third item', 'fifth item']```

实战案例

上面说完基本用法，接下来做几个实战案例练练手。

案例一：豆瓣读书

#  -*-coding:utf8 -*-# 1.请求并提取需要的字段# 2.保存需要的数据import requestsfrom lxml import etreeclass doubanbook():    def __init__(self):        self.base_url = 'https://book.douban.com/chart?subcat=all&icn=index-topchart-popular'        self.headers = {            'user-agent': 'mozilla/5.0 (windows nt 10.0; win64; x64) applewebkit/537.36 (khtml, like gecko) '                          'chrome/104.0.0.0 safari/537.36'        }    # 请求并提取需要的字段    def crawl(self):        res = requests.get(self.base_url, headers=self.headers)        lis = etree.html(res.text).xpath('//*[@id="content"]/div/div[1]/ul/li')        # print(type(lis))        books = []        for li in lis:            # print(etree.tostring(li,encoding='utf-8').decode('utf-8'))            # print("==================================================")            title = "".join(li.xpath(".//a[@class='fleft']/text()"))            score = "".join(li.xpath(".//p[@class='clearfix w250']/span[2]/text()"))            # list输出带有['n                    刘瑜 / 2022-4 / 广西师范大学出版社 / 82.00元 / 精装n                ']            publishing = "".join(li.xpath(".//p[@class='subject-abstract color-gray']/text()")).strip()            book = {                'title': title,                'score': score,                'publishing': publishing,            }            books.append(book)        self.save_data(books)    def save_data(self, datas):            with open('books.txt', 'w', encoding='utf-8') as f:                f.write(str(datas))    def run(self):        self.crawl()if __name__ == '__main__':    doubanbook().run()

案例二：彼岸图片下载

#!/usr/bin/env python# -*- coding: utf-8 -*-# author: 钢铁知识库# email: 648403020@qq.comimport osimport requestsfrom lxml import etree# 彼岸图片下载class bian():    def __init__(self):        self.url = 'https://pic.netbian.com'        self.headers = {            'user-agent': 'mozilla/5.0 (windows nt 10.0; win64; x64) applewebkit/537.36 (khtml, like gecko) '                          'chrome/104.0.0.0 safari/537.36',            'cookie': '__yjs_duid=1_cb922eedbda97280755010e53b2caca41659183144320; hm_lvt_c59f2e992a863c2744e1ba985abaea6c=1649863747,1660203266; zkhanecookieclassrecord=,23,54,55,66,60,; hm_lpvt_c59f2e992a863c2744e1ba985abaea6c=1660207771; yjs_js_security_passport=1225f36e8501b4d95592e5e7d5202f4081149e51_1630209607_js'        }        # 如果目录不存在会报错        if not os.path.exists('bianpicture'):            os.mkdir('bianpicture')    # 请求拿到ul列表    def crawl(self):        res = requests.get(self.url, headers=self.headers)        res.encoding = 'gbk'        uls = etree.html(res.text).xpath('//div[@]/ul[@]/li')        # print(etree.tostring(uls,encoding='gbk').decode('gbk'))        # 循环拿到图片名、图片地址，拼接请求再次下载到图片        for ul in uls:            img_name = ul.xpath('.//a/b/text()')[0]            img_src = ul.xpath('.//a/span/img/@src')[0]            # print(img_name   img_src)            img_url = self.url   img_src            # 拼接后下载图片，转义bytes            img_res = requests.get(img_url, headers=self.headers).content            img_path = "bianpicture/"   img_name   ".jpg"            data = {                'img_res': img_res,                'img_path': img_path            }            self.save_data(data)    # 数据保存逻辑    def save_data(self, data):        with open(data['img_path'], 'wb') as f:            f.write(data['img_res'])        # print(data)    def run(self):        self.crawl()if __name__ == '__main__':    bian().run()

案例三：全国城市名称爬取

#!/usr/bin/env python# -*- coding: utf-8 -*-# author: 钢铁知识库# email: 648403020@qq.comimport osimport requestsfrom lxml import etreeclass cityname():    def __init__(self):        self.url = 'https://www.aqistudy.cn/historydata/'        self.headers = {            'user-agent': 'mozilla/5.0 (windows nt 6.1; win64; x64) applewebkit/537.36 (khtml, like gecko) chrome/104.0.0.0 safari/537.36'        }        # 判断目录是否存在        if not os.path.exists('city_project'):            os.mkdir('city_project')    def crawl(self):        res = requests.get(url=self.url, headers=self.headers).text        uls = etree.html(res).xpath('//div[@]/div[2]/ul/div[2]/li')        all_city_name = list()        for ul in uls:            city_name = ul.xpath('.//a/text()')[0]            # print(type(city_name))            all_city_name.append(city_name)            self.save_data(all_city_name)    def save_data(self, data):        with open('./city_project/city.txt', 'w') as f:            f.write(str(data))    def run(self):        self.crawl()if __name__ == '__main__':    cityname().run()

xpath使用工具 chrome生成xpath表达式

经常使用chome的朋友都应该知道这功能，在审查状态下(快捷键ctrl shift i，f12)，定位到元素(快捷键ctrl shift c) ，在elements选项卡中，右键元素 copy->copy xpath，就能得到该元素的xpath了

xpath helper插件

为chome装上xpath helper就可以很轻松的检验自己的xpath是否正确了。安装插件需要科学上网，安装好插件后，在chrome右上角点插件的图标，调出插件的黑色界面，编辑好xpath表达式，表达式选中的元素被标记为黄色

—- 钢铁知识库 2022.08.15

结语：

以上就是利用xpath的所有用法，从常用语法，到案例练习都走了一遍。下一章钢铁知识库会继续介绍另一种好用的解析框架，beautiful soup，觉得有用点赞加关注，就当你送了红包666