XPath語法和lxml模塊

什么是XPath？

xpath（XML Path Language）是一門在XML和HTML文檔中查找信息的語言，可用來在XML和HTML文檔中對(duì)元素和屬性進(jìn)行遍歷。

XPath開發(fā)工具

Chrome插件XPath Helper。
Firefox插件Try XPath。

XPath語法

選取節(jié)點(diǎn)：

XPath 使用路徑表達(dá)式來選取 XML 文檔中的節(jié)點(diǎn)或者節(jié)點(diǎn)集。這些路徑表達(dá)式和我們?cè)诔Ｒ?guī)的電腦文件系統(tǒng)中看到的表達(dá)式非常相似。

表達(dá)式	描述	示例	結(jié)果
nodename	選取此節(jié)點(diǎn)的所有子節(jié)點(diǎn)	bookstore	選取bookstore下所有的子節(jié)點(diǎn)
/	如果是在最前面，代表從根節(jié)點(diǎn)選取。否則選擇某節(jié)點(diǎn)下的某個(gè)節(jié)點(diǎn)	/bookstore	選取根元素下所有的bookstore節(jié)點(diǎn)
//	從全局節(jié)點(diǎn)中選擇節(jié)點(diǎn)，隨便在哪個(gè)位置	//book	從全局節(jié)點(diǎn)中找到所有的book節(jié)點(diǎn)
@	選取某個(gè)節(jié)點(diǎn)的屬性	//book[@price]	選擇所有擁有price屬性的book節(jié)點(diǎn)
.	當(dāng)前節(jié)點(diǎn)	./a	選取當(dāng)前節(jié)點(diǎn)下的a標(biāo)簽

謂語：

謂語用來查找某個(gè)特定的節(jié)點(diǎn)或者包含某個(gè)指定的值的節(jié)點(diǎn)，被嵌在方括號(hào)中。
在下面的表格中，我們列出了帶有謂語的一些路徑表達(dá)式，以及表達(dá)式的結(jié)果：

路徑表達(dá)式	描述
/bookstore/book[1]	選取bookstore下的第一個(gè)子元素
/bookstore/book[last()]	選取bookstore下的倒數(shù)第二個(gè)book元素。
bookstore/book[position()<3]	選取bookstore下前面兩個(gè)子元素。
//book[@price]	選取擁有price屬性的book元素
//book[@price=10]	選取所有屬性price等于10的book元素

通配符

*表示通配符。

通配符	描述	示例	結(jié)果
*	匹配任意節(jié)點(diǎn)	/bookstore/*	選取bookstore下的所有子元素。
@*	匹配節(jié)點(diǎn)中的任何屬性	//book[@*]	選取所有帶有屬性的book元素。

選取多個(gè)路徑：

通過在路徑表達(dá)式中使用“|”運(yùn)算符，可以選取若干個(gè)路徑。
示例如下：

//bookstore/book | //book/title
# 選取所有book元素以及book元素下所有的title元素

lxml庫

lxml 是一個(gè)HTML/XML的解析器，主要的功能是如何解析和提取 HTML/XML 數(shù)據(jù)。

lxml和正則一樣，也是用 C 實(shí)現(xiàn)的，是一款高性能的 Python HTML/XML 解析器，我們可以利用之前學(xué)習(xí)的XPath語法，來快速的定位特定元素以及節(jié)點(diǎn)信息。

lxml python 官方文檔：http://lxml.de/index.html

需要安裝C語言庫，可使用 pip 安裝：pip install lxml

基本使用：

我們可以利用他來解析HTML代碼，并且在解析HTML代碼的時(shí)候，如果HTML代碼不規(guī)范，他會(huì)自動(dòng)的進(jìn)行補(bǔ)全。示例代碼如下：

# 使用 lxml 的 etree 庫
from lxml import etree 

text = '''
<div>
    <ul>
         <li class="item-0"><a href="link1.html">first item</a></li>
         <li class="item-1"><a href="link2.html">second item</a></li>
         <li class="item-inactive"><a href="link3.html">third item</a></li>
         <li class="item-1"><a href="link4.html">fourth item</a></li>
         <li class="item-0"><a href="link5.html">fifth item</a> # 注意，此處缺少一個(gè) </li> 閉合標(biāo)簽
     </ul>
 </div>
'''

#利用etree.HTML，將字符串解析為HTML文檔
html = etree.HTML(text) 

# 按字符串序列化HTML文檔
result = etree.tostring(html) 

print(result)

輸入結(jié)果如下：

<html><body>
<div>
    <ul>
         <li class="item-0"><a href="link1.html">first item</a></li>
         <li class="item-1"><a href="link2.html">second item</a></li>
         <li class="item-inactive"><a href="link3.html">third item</a></li>
         <li class="item-1"><a href="link4.html">fourth item</a></li>
         <li class="item-0"><a href="link5.html">fifth item</a></li>
</ul>
 </div>
</body></html>

可以看到。lxml會(huì)自動(dòng)修改HTML代碼。例子中不僅補(bǔ)全了li標(biāo)簽，還添加了body，html標(biāo)簽。

從文件中讀取html代碼：

除了直接使用字符串進(jìn)行解析，lxml還支持從文件中讀取內(nèi)容。我們新建一個(gè)hello.html文件：

<!-- hello.html -->
<div>
    <ul>
         <li class="item-0"><a href="link1.html">first item</a></li>
         <li class="item-1"><a href="link2.html">second item</a></li>
         <li class="item-inactive"><a href="link3.html"><span class="bold">third item</span></a></li>
         <li class="item-1"><a href="link4.html">fourth item</a></li>
         <li class="item-0"><a href="link5.html">fifth item</a></li>
     </ul>
 </div>

然后利用etree.parse()方法來讀取文件。示例代碼如下：

from lxml import etree

# 讀取外部文件 hello.html
html = etree.parse('hello.html')
result = etree.tostring(html, pretty_print=True)

print(result)

輸入結(jié)果和之前是相同的。

在lxml中使用XPath語法：

獲取所有l(wèi)i標(biāo)簽：

 from lxml import etree

 html = etree.parse('hello.html')
 print type(html)  # 顯示etree.parse() 返回類型

 result = html.xpath('//li')

 print(result)  # 打印<li>標(biāo)簽的元素集合

獲取所有l(wèi)i元素下的所有class屬性的值：

 from lxml import etree

 html = etree.parse('hello.html')
 result = html.xpath('//li/@class')

 print(result)

獲取li標(biāo)簽下href為www.baidu.com的a標(biāo)簽：

 from lxml import etree

 html = etree.parse('hello.html')
 result = html.xpath('//li/a[@href="www.baidu.com"]')

 print(result)

獲取li標(biāo)簽下所有span標(biāo)簽：

 from lxml import etree

 html = etree.parse('hello.html')

 #result = html.xpath('//li/span')
 #注意這么寫是不對(duì)的：
 #因?yàn)?/ 是用來獲取子元素的，而 <span> 并不是 <li> 的子元素，所以，要用雙斜杠

 result = html.xpath('//li//span')

 print(result)

獲取li標(biāo)簽下的a標(biāo)簽里的所有class：

 from lxml import etree

 html = etree.parse('hello.html')
 result = html.xpath('//li/a//@class')

 print(result)

獲取最后一個(gè)li的a的href屬性對(duì)應(yīng)的值：

 from lxml import etree

 html = etree.parse('hello.html')

 result = html.xpath('//li[last()]/a/@href')
 # 謂語 [last()] 可以找到最后一個(gè)元素

 print(result)

獲取倒數(shù)第二個(gè)li元素的內(nèi)容：

 from lxml import etree

 html = etree.parse('hello.html')
 result = html.xpath('//li[last()-1]/a')

 # text 方法可以獲取元素內(nèi)容
 print(result[0].text)

獲取倒數(shù)第二個(gè)li元素的內(nèi)容的第二種方式：

 from lxml import etree

 html = etree.parse('hello.html')
 result = html.xpath('//li[last()-1]/a/text()')

 print(result)

使用requests和xpath爬取電影天堂

示例代碼如下：

import requests
from lxml import etree

BASE_DOMAIN = 'http://www.dytt8.net'
HEADERS = {
    'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/61.0.3163.100 Safari/537.36',
    'Referer': 'http://www.dytt8.net/html/gndy/dyzz/list_23_2.html'
}

def spider():
    url = 'http://www.dytt8.net/html/gndy/dyzz/list_23_1.html'
    resp = requests.get(url,headers=HEADERS)
    # resp.content：經(jīng)過編碼后的字符串
    # resp.text：沒有經(jīng)過編碼，也就是unicode字符串
    # text：相當(dāng)于是網(wǎng)頁中的源代碼了
    text = resp.content.decode('gbk')
    # tree：經(jīng)過lxml解析后的一個(gè)對(duì)象，以后使用這個(gè)對(duì)象的xpath方法，就可以
    # 提取一些想要的數(shù)據(jù)了
    tree = etree.HTML(text)
    # xpath/beautifulsou4
    all_a = tree.xpath("http://div[@class='co_content8']//a")
    for a in all_a:
        title = a.xpath("text()")[0]
        href = a.xpath("@href")[0]
        if href.startswith('/'):
            detail_url = BASE_DOMAIN + href
            crawl_detail(detail_url)
            break

def crawl_detail(url):
    resp = requests.get(url,headers=HEADERS)
    text = resp.content.decode('gbk')
    tree = etree.HTML(text)
    create_time = tree.xpath("http://div[@class='co_content8']/ul/text()")[0].strip()
    imgs = tree.xpath("http://div[@id='Zoom']//img/@src")
    # 電影海報(bào)
    cover = imgs[0]
    # 電影截圖
    screenshoot = imgs[1]
    # 獲取span標(biāo)簽下所有的文本
    infos = tree.xpath("http://div[@id='Zoom']//text()")
    for index,info in enumerate(infos):
        if info.startswith("◎年　　代"):
            year = info.replace("◎年　　代","").strip()

        if info.startswith("◎豆瓣評(píng)分"):
            douban_rating = info.replace("◎豆瓣評(píng)分",'').strip()
            print(douban_rating)

        if info.startswith("◎主　　演"):
            # 從當(dāng)前位置，一直往下面遍歷
            actors = [info]
            for x in range(index+1,len(infos)):
                actor = infos[x]
                if actor.startswith("◎"):
                    break
                actors.append(actor.strip())
            print(",".join(actors))


if __name__ == '__main__':
    spider()

色偷偷精品伊人,欧洲久久精品,欧美综合婷婷骚逼,国产AV主播,国产最新探花在线,九色在线视频一区,伊人大交九欧美,1769亚洲,黄色成人av

XPath語法和lxml模塊