[学习交流] 【上海校区】XPath与lxml库介绍及爬虫案例

XPath与lxml库介绍及爬虫案例

XPath介绍

XPath（XML Path Language）是一门在XML文档中查找信息的语言，可用来在XML文档中对元素和属性进行遍历。

XPath的节点

XPath的节点有7种类型：文档节点，元素节点，属性节点，文本节点，命名空间节点，处理指令节点，注释节点。对于我们需要关注的是前面4个节点。下面看xml文档。

<?xml version="1.0" encoding="ISO-8859-1"?>

<bookstore>
<book>
      <title lang="en">Harry Potter</title>
      <author>J K. Rowling</author>
      <year>2005</year>
      <price>29.99</price>
</book>
</bookstore>

<bookstore> # 文档节点

<book>  # 元素节点，属于<bookstore>的子节点

<title>/<author>/<year>/<price>  # 元素节点，属于<book>节点的子节点

<title lang="en">Harry Potter</title>
lang # 属性节点，是<title>节点的属性
Harry Potter  # 文本节点，是<title>节点的文本
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
XPath选取节点

XPath使用路径表达式在XML文档中选取节点。节点是通过沿着路径或者step来选取的。

路径表达式：

表达式描述
nodename 选取此节点的所有节点
/ 从根节点选取
// 从匹配选择的当前节点选择文档中的节点，而不考虑他们的位置
. 选取当前节点
.. 选取当前节点的父节点
@ 选取属性

谓语

谓语用来查找某个特定的节点或者包含某个指定的值节点。

谓语被嵌在方括号[]中。

在下面表格中，列出带有谓语的一些路径表达式，以及结果：

路径表达式结果
/bookstore/book[1] 选取属于bookstore子元素的第一个book元素
/bookstore/book[last()] 选取属于 bookstore 子元素的最后一个 book 元素
/bookstore/book[last()-1] 选取属于 bookstore 子元素的倒数第二个 book 元素
/bookstore/book[position()<3] 选取最前面的两个属于 bookstore 元素的子元素的 book 元素
//title[@lang] 选取所有拥有名为lang属性的title元素
//title[@lang=’en’] 选取所有 title 元素，且这些元素拥有值为 eng 的 lang 属性
/bookstore/book[price>35.00] 选取 bookstore 元素的所有 book 元素，且其中的 price 元素的值须大于 35.00
/bookstore/book[price>35.00]/title 选取 bookstore 元素中的 book 元素的所有 title 元素，且其中的 price 元素的值须大于 35.00
选取未知节点

XPath通配符可用来选取未知的XML元素

通配符描述
* 匹配任何元素节点
@* 匹配任何属性节点
node() 匹配任何类型的节点
选取若干路径

通过在路径表达式中使用”|”运算符，可以选取若干路径。

路径表达式描述
//book/title | //book/price 选取 book 元素的所有 title 和 price 元素
//title | // price 选取文档中的所有 title 和 price 元素
/bookstore/book/title | //price 选取属于 bookstore 元素的 book 元素的所有 title 元素，以及文档中所有的 price 元素
XPath运算符

lxml类库介绍

lxml类库是一个Html/XML的解析器，主要功能是如何解析和提取HTML/XML数据。

lxml的安装

pip install lxml
1
lxml的简单使用

etree将文本转成html：

# 将文本转成html对象
html = etree.HTML(text)

# 将html对象转成html的文本信息
etree.tostring(html)
1
2
3
4
5
示例：

from lxml import etree

if __name__ == '__main__':
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>
      </ul>
</div>
'''

# 将文本转成html对象
html = etree.HTML(text)
# 将对象转成html文本
result = etree.tostring(html)
# 打印输出
print(result.decode('utf-8'))
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
输出结果：会自动添加,标签，补齐缺少的标签。

<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>
1
2
3
4
5
6
7
8
9
10
11
12
13
解析html转成文本

新建一个text.html文件，文件内容：

<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>
1
2
3
4
5
6
7
8
9
10
11
12
13
解析文本输出：

from lxml import etree

if __name__ == '__main__':
# 解析text.html文件
html = etree.parse('text.html')
# 将html对象转成str
result = etree.tostring(html)
# 输出
print(result.decode('utf-8'))
1
2
3
4
5
6
7
8
9
10
输出结果：

<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>
1
2
3
4
5
6
7
8
9
10
11
12
13
XPath与lxml联合使用

获取所有\

标签
from lxml import etree

if __name__ == '__main__':
# 解析text.html文件，返回一个html对象
html = etree.parse('text.html')
print(type(html))  # 输出html对象类型 <class 'lxml.etree._ElementTree'>
# xpath解析语法解析，获取所有的<li>标签的内容
result = html.xpath('//li')
print(type(result))  # 输出结果的类型  <class 'list'>
for item in result:
      print(type(item)) # 输出每个item对象的类型 <class 'lxml.etree._Element'>
      print(etree.tostring(item).decode('utf-8')) # 输出<li>标签的文本内容如：<li class="item-0"><a href="link1.html">first item</a></li>
1
2
3
4
5
6
7
8
9
10
11
12
13
输出结果：

获取\

标签的class=’item-1’属性
from lxml import etree

if __name__ == '__main__':

html = etree.parse('text.html')
result = html.xpath('//li[@class="item-1"]')
for item in result:
      print(etree.tostring(item).decode('utf-8'))
1
2
3
4
5
6
7
8
9
输出结果：

<li class="item-1"><a href="link2.html">second item</a></li>

<li class="item-1"><a href="link4.html">fourth item</a></li>
1
2
3
获取\

标签下的href为link1.html的标签
if __name__ == '__main__':
html = etree.parse('text.html')
result = html.xpath('//li/a[@href="link1.html"]')
for item in result:
      print(etree.tostring(item).decode('utf-8')) # 输出匹配的信息 <a href="link1.html">first item</a>
      print(item.text) # 输出标签的<a>文本信息 first item
1
2
3
4
5
6
7
输出结果：

<a href="link1.html">first item</a>
first item
1
2
XPath爬虫案例

#!/usr/bin/env python
# encoding: utf-8

"""
__author__: Widsom Zhang
__time__: 2017/11/13 18:32
"""
import json
import random
import urllib.request
from lxml import etree

def download_image(url, headers):
"""
下载图片
:param url: 图片的url
:param headers: http的请求头
:return:
"""
# 截取图片的url
lists = url.split('/')
# 拼接图片保存的地址路径
filename = 'image/' + lists[-1]
# 将请求到的数据写入文件
with open(filename, 'wb')as f:
      f.write(get_response(url, headers))

def write_image_url(url):
"""
将图片的url写入文件
:param url:
:return:
"""
# 以拼接的方式写入
with open("image/imageurl.txt", 'a')as f:
      # 每写入一个换行
      f.write(url + "\n")

def get_response(url, headers):
"""
获取响应对象
:param url: 请求的url
:param headers: 请求头信息
:return: 返回服务器的响应信息
"""
req = urllib.request.Request(url, headers=headers)
resp = urllib.request.urlopen(req)
return resp.read()

def parse_image(result):
"""
解析html信息，获取image的url的策略
:param result: html信息
:return:
"""
# 通过etree库将html信息转成对象
html = etree.HTML(result)
# 通过xpath解析规则，获取需要的图片url信息
images = html.xpath('//li[@class="box"]/a/img/@src')
for image in images:
      print(image)
      # 下载图片
      # download_image(image, headers) # 下载图片太慢，这里注释了
      # 将图片的url写入文件
      write_image_url(image)

if __name__ == '__main__':
"""
      xpath爬虫示例：

         爬取的网站是：http://tu.duowan.com/m/bxgif

         使用fiddler软件抓包分析：
            在浏览器中输入上面的url，加载到30条需要的数据，随着滚动条往下拖动，数据再次加载且浏览器的url没有变化
            初步判断采用的是ajax框架加载数据，通过抓包工具找到加载的url。

         ajax加载的url：
            http://tu.duowan.com/m/bxgif?off ... =0.2097926790117744
            url返回的json数据格式：
            {
                  "html": "...",
                  "more": true,
                  "offset": 60,
                  "enabled": true
            }
            http://tu.duowan.com/m/bxgif?off ... =0.9387482944610999
            {
                  "html": "...",
                  "more": true,
                  "offset": 90,
                  "enabled": true
            }

            注：html字段是html中的"<li>..."的html数据，可以使用lxml和xpath解析，具体看代码

         通过查看html页面的源码，可以发现，offset是json数据返回的offset，order字段是固定的，math字段是一个（0,1）的随机数。

"""

# 需要爬取的url
url = 'http://tu.duowan.com/m/bxgif'
headers = {
      'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/62.0.3202.62 Safari/537.36'
}
# 将请求url的响应信息，通过xpath解析规则解析
parse_image(get_response(url, headers))

# 每次请求30条数据
offset = 30
more = True
# 循环遍历30次，获取需要的数据（为什么是30，因为该网站数据不多，也就1000多）
while more:
      # 拼接url
      url2 = 'http://tu.duowan.com/m/bxgif?offset=' + str(offset) + '&order=created&math=' + str(random.random())
      print(url2)
      result2 = get_response(url2, headers)
      # 解析json数据
      dict = json.loads(result2)
      # 获取html的value值
      result = dict['html']
      # offset的值
      offset = dict['offset']
      print(type(offset))
      print(str(offset))
      # 获取more的value值
      more = dict['more']
      # 如果more为true，表示有更多
      if more:
         # 解析image的url
         parse_image(result)

---------------------
【转载，仅作分享，侵删】
作者：张行之
来源：CSDN
原文：https://blog.csdn.net/qq_33689414/article/details/78553499
版权声明：本文为博主原创文章，转载请附上博文链接！

不二晨 · 不二晨

奈斯，感谢分享

帐号		自动登录	找回密码
密码			加入黑马

[学习交流] 【上海校区】XPath与lxml库介绍及爬虫案例

1 个回复