爬虫（三）：数据解析（XPath语法&贴吧爬虫）

学习获取响应后如何从响应中提取我们需要的数据

响应内容的分类

结构化数据

JSON

可用于解析的模块：

• json模块
• re模块
• jsonpath模块

XML

现在用得比较少了，因为要写开闭标签，传输数据比较大

可用于解析的模块：

• re模块
• lxml模块

非结构化数据

HTML

可用于解析的模块：

• re模块：速度快
• lxml模块：速度中等
• beautifulsoup模块：可以接收xpath，正则，css选择器，速度慢
• pyquery：css选择器

XML与HTML的区别

• html是超文本标记语言，xml是可扩展标记语言，样子和html很像
• xml的标签可以自行定义，而html固定的标签表示固定的意思
• xml专注于数据传输和存储，html专注于显示数据

XPath

Xpath语法

语法	解释
nodename	选中该元素
//	根节点
.	选取当前节点
…	选取当前节点的父节点
@	选取属性
text()	选取文本，取标签之间的内容
last()	选取最后一个

选取未知节点的语法：

通配符	描述
*	匹配任何一个节点
@*	匹配任何一个属性值

• XPath中第一个元素的索引是1
• XPath中最后一个元素的索引是last()
• XPath中用 / 隔开元素

xpath helper插件

在Chrome中对当前页面测试xpath语法规则
在Chrome网上应用商店上下载

左侧输入了Xpath语法，如果能在源码中找到相关的标签，那么这个标签会被添加上一个特殊的属性class = “xh-highlight”，如果该节点可见，那么可以看到有相应的颜色变化，如果不可见，虽然不可见也会被加上属性
注意右侧的html标签出现了class = "xh highlight"的属性

实践

1. 定位到title：



2. 定位到title 的上一个节点head：

数据提取

text()获取标签之间的数据

这个时候是数据被提取，而不是选中，所以没有自动加highlight属性

@获取属性值

节点修饰语法

通过索引修饰节点

第一条段子在body下的第1个div中的第二个div
RESULTS(25) 说明选中25条
1. 选中每一条段子：

这时可以看到highlight每一条都有

2. 选中倒数第二条段子：


3. 选中前10条以后的：

通过属性值修饰节点

1. 选出特定class的元素：


2. 提取特定class元素的id属性值：
此句中，前面的@是选择，后面的@是从属性中取值

通过子节点的值修饰

豆瓣电影 TOP 250

1. 找到电影评分 > 9.5 的：

2. 使用contains找到特定元素：