python爬虫中xpath实例分析

魁首哥

作者

python爬虫中xpath实例分析

这篇文章主要介绍“python爬虫中xpath实例分析”，在日常操作中，相信很多人在python爬虫中xpath实例分析问题上存在疑惑，小编查阅了各式资料，整理出简单好用的操作方法，希望对大家解答”python爬虫中xpath实例分析”的疑惑有所帮助！接下来，请跟着小编一起来学习吧！

前言

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，它最初是用来搜寻XML文档的，但是它同样适用于HTML文档的搜索

XPath的选择功能十分强大，它提供了非常简明的路径选择表达式，另外，它还提供了超过100个内建函数，用于字符串、数值、时间的匹配以及节点、序列的处理等，几乎所有我们想要定位的节点，都可以用XPath来选择

xpath解析原理:

1.实现标签的定位：实例化一个etree的对象，且需要将被解析的页面源码数据加载到该对象中。

2.调用etree对象中的xpath方法结合着xpath表达式实现标签的定位和内容的捕获。

环境的安装

pipinstalllxml

lxml是python的一个解析库，支持HTML和XML的解析，支持XPath解析方式，而且解析效率非常高

如何实例化一个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)#你的文件路径

2.可以将从互联网上获取的源码数据加载到该对象中

etree.HtML('page_text')#page_text互联网中响应的数据

xpath 表达式

表达式	描述
nodename	选取此节点的所有子节点
/	表示的是从根节点开始定位。表示的是一个层级。
//	表示的是多个层级。可以表示从任意位置开始定位。
.	选取当前节点
…	选取当前节点的父节点
@	选取属性
*	通配符，选择所有元素节点与元素名
@*	选取所有属性
[@attrib]	选取具有给定属性的所有元素
[@attrib=‘value’]	选取给定属性具有给定值的所有元素
[tag]	选取所有具有指定元素的直接子节点
[tag=‘text’]	选取所有具有指定元素并且文本内容是text节点

对上面表达式的实例详解

这是一个HTML的文档

<htmllang="en"><head><metacharset="UTF-8"/><title>测试bs4</title></head><body><div><p>百里守约</p></div><divclass="song"><p>李清照</p><p>王安石</p><p>苏轼</p><p>柳宗元</p><ahref="http://www.song.com/"title="赵匡胤"target="_self"><span>thisisspan</span>宋朝是最强大的王朝，不是军队的强大，而是经济很强大，国民都很有钱</a><ahref=""class="du">总为浮云能蔽日,长安不见使人愁</a><imgsrc="http://www.baidu.com/meinv.jpg"alt=""/></div><divclass="tang"><ul><li><ahref="http://www.baidu.com"title="qing">清明时节雨纷纷,路上行人欲断魂,借问酒家何处有,牧童遥指杏花村</a></li><li><ahref="http://www.163.com"title="qin">秦时明月汉时关,万里长征人未还,但使龙城飞将在,不教胡马度阴山</a></li><li><ahref="http://www.126.com"alt="qi">岐王宅里寻常见,崔九堂前几度闻,正是江南好风景,落花时节又逢君</a></li><li><ahref="http://www.sina.com"class="du">杜甫</a></li><li><ahref="http://www.dudu.com"class="du">杜牧</a></li><li><b>杜小月</b></li><li><i>度蜜月</i></li><li><ahref="http://www.haha.com"id="feng">凤凰台上凤凰游,凤去台空江自流,吴宫花草埋幽径,晋代衣冠成古丘</a></li></ul></div></body></html>

从浏览器中打开是这样的

为了方便直观，我们对写个HTML文件进行本地读取进行测试

子节点和子孙节点的定位 / 和 //

先来看子节点和子孙节点，我们从上往下找div这个节点，可以看到div的父节点是body，body父节点是html

定位到这个HTML的div对象中，看上面html源码，可以知道有三个div对象

我们通过三种不同的方法来输出这个节点的信息，可以看到输出的是三个一样的Element，也就是这三种方法实现的功能是一样的。

importrequestsfromlxmlimportetreetree=etree.parse('test.html')r1=tree.xpath('/html/body/div')#直接从上往下挨着找节点r2=tree.xpath('/html//div')#跳跃了一个节点来找到这个div节点的对象r3=tree.xpath('//div')##跳跃上面所有节点来寻找div节点的对象r1,r2,r3>>([<Elementdivat0x19d44765108>,<Elementdivat0x19d447658c8>,<Elementdivat0x19d44765588>],[<Elementdivat0x19d44765108>,<Elementdivat0x19d447658c8>,<Elementdivat0x19d44765588>],[<Elementdivat0x19d44765108>,<Elementdivat0x19d447658c8>,<Elementdivat0x19d44765588>])

属性定位

如果我只想要div里面song这一个标签，就可以对其属性定位

当然返回的还是一个element

r4=tree.xpath('//div[@class="song"]')r4>>>[<Elementdivat0x19d447658c8>]

索引定位

如果我只想获得song里面的苏轼的这个标签

我们找到了song，/p可以返回里面的所有标签，

tree.xpath('//div[@class="song"]/p')>>[<Elementpat0x19d4469a648>,<Elementpat0x19d4469a4c8>,<Elementpat0x19d4469af88>,<Elementpat0x19d4469a148>]

这个单独返回的苏轼的p标签，要注意的是这里的索引不是从0开始的，而是1

tree.xpath('//div[@class="song"]/p[3]')[<Elementpat0x19d4469af88>]

取文本

比如我想取杜牧这个文本内容

和上面一样，我们要定位到杜牧的这个a标签，首先要找到他的上一级 li ，这是第五个 li 里面的a所以就有了下面的写法，text()是把element转化为文本，当然上面的在后面加个text（）都可以展示文本内容。

tree.xpath('//div[@class="tang"]//li[5]/a/text()')>>['杜牧']

可以看到这个返回的是一个列表，如果我们想取里面的字符串，可以这样

tree.xpath('//div[@class="tang"]//li[5]/a/text()')[0]杜牧

看一个更直接的，//li 直接定位到 li这个标签，//text（）直接将这个标签下的文本提取出来。但要注意，这样会把所有的li标签下面的文本提取出来，有时候你并不想要的文本也会提取出来，所以最好还是写详细一点，如具体到哪个div里的li。

tree.xpath('//li//text()')['清明时节雨纷纷,路上行人欲断魂,借问酒家何处有,牧童遥指杏花村','秦时明月汉时关,万里长征人未还,但使龙城飞将在,不教胡马度阴山','岐王宅里寻常见,崔九堂前几度闻,正是江南好风景,落花时节又逢君','杜甫','杜牧','杜小月','度蜜月','凤凰台上凤凰游,凤去台空江自流,吴宫花草埋幽径,晋代衣冠成古丘']

取属性

比如我想取下面这个属性

可以直接用@取属性

tree.xpath('//div[@class="song"]/img/@src')['http://www.baidu.com/meinv.jpg']

或者如果我想取所有的href这个属性，可以看到tang和song的所有href属性

tree.xpath('//@href')['http://www.song.com/','','http://www.baidu.com','http://www.163.com','http://www.126.com','http://www.sina.com','http://www.dudu.com','http://www.haha.com']

爬虫实战之58同城房源信息

#导入必要的库importrequestsfromlxmlimportetree#URL就是网址，headers看图一url='https://sh.58.com/ershoufang/'headers={'User-Agent':'Mozilla/5.0(WindowsNT10.0;Win64;x64)AppleWebKit/537.36(KHTML,likeGecko)Chrome/83.0.4103.7Safari/537.36'}#对网站发起请求page_test=requests.get(url=url,headers=headers).text#这里是将从互联网上获取的源码数据加载到该对象中tree=etree.HTML(page_test)#先看图二的解释，这里li有多个，所里返回的li_list是一个列表li_list=tree.xpath('//ul[@class="house-list-wrap"]/li')#这里我们打开一个58.txt文件来保存我们的信息fp=open('58.txt','w',encoding='utf-8')#li遍历li_listforliinli_list:#这里./是对前面li的继承，相当于li/div...title=li.xpath('./div[2]/h3/a/text()')[0]print(title+'\n')#把文件写入文件fp.write(title+'\n')fp.close()

图一：