一、lxml介绍
第三方库lxml是第一款表现出高性能特征的python xml库，天生支持Xpath1.0、XSLT1.0、定制元素类，甚至python风格的数据绑定接口。lxml是通过Cpython实现的，构建在两个C库上（libxml2和libxslt），为执行解析、序列化、转换等核心任务提供了主要动力，是爬虫处理网页数据的一件利器。
lxml对xml和html都有很好的支持，分别使用 lxml.etree 和 lxml.html 两个模块。
1、安装第三方lxml模块
# 通过pip直接下载安装
pip install lxml
# 通过git克隆源码进行下载安装
git clone https://github.com/lxml/lxml.git lxml2、lxml.html和lxml.etree模块
lxml.html&lxml.etree这两个模块是最常用的HTML文档和XML文档解析模块。
HTML(HyperText Markup Language)超文本标记语言。
XML(Extensible Markup Language)可扩展标记语言。
3、lxml官方文档
二、Xpath语法
1、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。常用的路径表达式如下：
| 表达式 | 描述 |
|---|---|
| nodename | 选取此节点的所有子节点 |
| / | 从根节点选取 |
| // | 从匹配选择的当前节点选择文档的节点，而不考虑它们的位置 |
| . | 选取当前节点 |
| .. | 选取当前节点的父节点 |
| @ | 选取属性 |
下面为一些路径表达式及表达式结果：
| 路径表达式 | 结果 |
|---|---|
| bookstore | 选取 bookstore 元素的所有子节点 |
| /bookstore | 选取根元素 bookstore。注释：假如路径起始于正斜杠( / )，则此路径始终代表到某元素的绝对路径！ |
| bookstore/book | 选取属于 bookstore 的子元素的所有 book 元素 |
| //book | 选取所有 book 子元素，而不管它们在文档中的位置。 |
| bookstore//book | 选择属于 bookstore 元素的后代的所有 book 元素，而不管它们位于 bookstore 之下的什么位置。 |
| //@lang | 选取名为 lang 的所有属性。 |
2、谓语（Predicates）
谓语用来查找某个特定的节点或者包含某个指定的值的节点。谓语被嵌在方括号中。
下面为一些带有谓语的路径表达式，及表达式结果：
| 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 的属性的 title 元素。 |
| //title[@lang=’eng’] | 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。 |
3、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 |
下面为一些带有通配符的路径表达式，及表达式结果：
| 路径表达式 | 结果 |
|---|---|
| /bookstore/* | 选取 bookstore 元素的所有子元素。 |
| //* | 选取文档中的所有元素。 |
| //title[@*] | 选取文档中的所有元素。 |
4、选取若干路径
通过在路径表达式中使用“|”运算符，您可以选取若干个路径。
下面为一些带有"|"运算符的路径表达式，及表达式结果：
| 路径表达式 | 结果 |
|---|---|
| //book/title | //book/price |
| //title | //price |
| /bookstore/book/title | //price |
5、Xpath运算符
下面列出了可用再XPath表达式中运算符：
| 运算符 | 描述 | 实例 | 返回值 |
|---|---|---|---|
| 计算两个节点集 | //book | ||
| + | 加法 | 6 + 4 | 10 |
| – | 减法 | 6 – 4 | 2 |
| * | 乘法 | 6 * 4 | 24 |
| div | 除法 | 8 div 4 | 2 |
| = | 等于 | price=9.80 | 如果 price 是 9.80，则返回 true。如果 price 是 9.90，则返回 false。 |
| != | 不等于 | price!=9.80 | 如果 price 是 9.90，则返回 true。如果 price 是 9.80，则返回 false。 |
| < | 小于 | price<9.80 | 如果 price 是 9.00，则返回 true。如果 price 是 9.90，则返回 false。 |
| <= | 小于或等于 | price<=9.80 | 如果 price 是 9.00，则返回 true。如果 price 是 9.90，则返回 false。 |
| > | 大于 | price>9.80 | 如果 price 是 9.90，则返回 true。如果 price 是 9.80，则返回 false。 |
| >= | 大于或等于 | price>=9.80 | 如果 price 是 9.90，则返回 true。如果 price 是 9.70，则返回 false。 |
| or | 或 | price=9.80 or price=9.70 | 如果 price 是 9.80，则返回 true。如果 price 是 9.50，则返回 false。 |
| and | 与 | price>9.00 and price<9.90 | 如果 price 是 9.80，则返回 true。如果 price 是 8.50，则返回 false。 |
| mod | 计算除法的余数 | 5 mod 2 | 1 |
6、参考文档
三、爬虫中运用XPath
1、XPath在爬虫中的使用流程
- 下载：pip install lxml
- 导包：from lxml import etree
- 创建etree对象进行指定数据的解析
- 本地：
etree=etree.parse('本地文件路径') etree.xpath('xpath表达式')- 网络：
etree=etree.HTML('网络请求到的页面数据') etree.xpath('xpath表达式')
2、常用的Xpath表达式
属性定位：
#找到class属性值为song的div标签
//div[@class="song"]
层级&索引定位：
#找到class属性值为tang的div的直系子标签ul下的第二个子标签li下的直系子标签a
//div[@class="tang"]/ul/li[2]/a
逻辑运算：
#找到href属性值为空且class属性值为du的a标签
//a[@href="" and @class="du"]
模糊匹配：
//div[contains(@class, "ng")]
//div[starts-with(@class, "ta")]
取文本：
# /表示获取某个标签下的文本内容
# //表示获取某个标签下的文本内容和所有子标签下的文本内容
//div[@class="song"]/p[1]/text()
//div[@class="tang"]//text()
取属性：
//div[@class="tang"]//li[2]/a/@href3、使用示例
创建本地html文件来测试Xpath数据解析。
（1）test.html
<html lang="en">
<head>
<meta charset="UTF-8" />
<title>测试bs4</title>
</head>
<body>
<div>
<p>百里守约</p>
</div>
<div class="song">
<p>李清照</p>
<p>王安石</p>
<p>苏轼</p>
<p>柳宗元</p>
<a href="http://www.song.com/" title="赵匡胤" target="_self">
<span>this is span</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>
<a href="" class="du">总为浮云能蔽日,长安不见使人愁</a>
<img src="http://www.baidu.com/meinv.jpg" alt="" />
</div>
<div class="tang">
<ul>
<li><a href="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><a href="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><a href="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><a href="http://www.sina.com" class="du">杜甫</a></li>
<li><a href="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><a href="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>（2）爬虫脚本文件test.py
from lxml import etree
# 创建etree对象进行制定数据解析
tree = etree.parse('./test.html') # 解析本地文件
# 属性定位：根据指定的属性定位到指定的节点标签
# tree.xpath('//div[@class="song"]')
"""
[<Element div at 0x10dbead88>]
"""
# 层级&索引定位
# tree.xpath('//div[@class="tang"]/ul/li[2]/a') # 定位到第二个li中的a标签
"""
[<Element a at 0x10e30ab48>]
"""
# 逻辑定位 //a:整个源码下的a标签
# [@href="" and @class="du"] href为空，class属性为du
# tree.xpath('//a[@href="" and @class="du"]')
"""
[<Element a at 0x10e2a8e88>]
"""
# 模糊匹配
# tree.xpath('//div[contains(@class, "ng")]')
# tree.xpath('//div[starts-with(@class, "ta")]')
"""
[<Element div at 0x10dbea548>, <Element div at 0x10e392348>]
[<Element div at 0x10dabd688>]
"""
# 取文本
# /text()获取当前标签中直系存储的文本数据
# tree.xpath('//div[@class="song"]/p[1]/text()') # song的div下的第一个p子标签
# 输出：['李清照']
# //text()获取tang这个div标签下所有子标签中存储的文本数据
# tree.xpath('//div[@class="tang"]//text()')
"""
['\n\t\t',
'\n\t\t\t',
'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',
'\n\t\t\t',
'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',
'\n\t\t\t',
'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',
'\n\t\t\t',
'杜甫',
'\n\t\t\t',
'杜牧',
'\n\t\t\t',
'杜小月',
'\n\t\t\t',
'度蜜月',
'\n\t\t\t',
'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',
'\n\t\t',
'\n\t']
"""
# 取属性
tree.xpath('//div[@class="tang"]//li[2]/a/@href') # 指定a标签对应的href的值
"""
['http://www.163.com']
"""四、XPath插件
xpath插件的作用：可以直接将xpath表达式作用于浏览器的网页当中。
1、chrome安装xpath插件
（1）更多工具-》扩展程序-》开启右上角开发者模式
（2）将xpath插件拖动到谷歌浏览器拓展程序（更多工具）中，安装成功
2、插件使用
开启和关闭xpath插件的快捷键：Ctrl-Shift-X (or Control-Shift-X on OS X), or click the XPath Helper button in the toolbar, to open the XPath Helper console。
以糗事百科为例使用插件：
右边方框输出的是xpath表达式输出的结果，这里输出的是div对应的数据值。
使用完再次点击Control-Shift-X来关闭xpath插件。未来在程序中设计好xpath表达式之后，一定要用xpath插件做一下表达式的验证。
五、xpath项目演练
需求：使用xpath对段子网中的段子内容和标题进行解析，持久化存储。
段子网地址
1、先用xpath插件验证xpath表达式
可用如下xpath表达式获取所有的li标签，段子内容和标题都被包含在li标签中。
2、爬虫代码实现
import requests
from lxml import etree
# 1.指定url
url = 'https://ishuo.cn/joke'
# 2.发起请求
headers = {
'user-agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_13_1) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/70.0.3538.77 Safari/537.36'
}
response = requests.get(url=url, headers=headers)
# 3.获取页面内容
page_text = response.text
# 4.数据解析
tree = etree.HTML(page_text)
# 获取所有的li标签（已经经过了xpath插件验证）
li_list = tree.xpath('//div[@id="list"]/ul/li')
# print(li_list)
'''
[<Element li at 0x10e32c248>, <Element li at 0x10e30ae88>,...,<Element li at 0x10ef5bfc8>]
# 注意：Element类型的对象可以继续调用xpath函数，对该对象表示的局部内容进行指定内容的解析
'''
fp = open('./duanzi.txt', 'w', encoding='utf-8') # 一次打开多次写入
for li in li_list:
content = li.xpath('./div[@class="content"]/text()')[0] # 调用text()函数取得段子内容
title = li.xpath('./div[@class="info"]/a/text()')[0] # 获得a标签文本内容
# 5.持久化
fp.write(title + ":" + content + "\n\n") # 段子换行分隔
print("一条数据写入成功")（1）li标签内部结构
<li class="list_li xh-highlight">
<div class="content">有位非常漂亮的女同事，有天起晚了没有时间化妆便急忙冲到公司。结果那天她被记旷工了……吃惊]</div>
<div class="info">
<span class="right tags">...</span>
<a href="/subject/5898">这个笑话好内涵，你懂了没？</a>
04月29日0个评论 0人喜欢
</div>
</li>（2）Element类型对象
Element类型的对象可以继续调用xpath函数，对该对象表示的局部内容进行指定内容的解析。
只要是通过xpath表达式解析出来的标签类型的对象，对象类型一定是element类型。
tree = etree.HTML(page_text)
# 获取所有的li标签（已经经过了xpath插件验证）
li_list = tree.xpath('//div[@id="list"]/ul/li')
# print(li_list)
"""
[<Element li at 0x10e32c248>, <Element li at 0x10e30ae88>,...,<Element li at 0x10ef5bfc8>]
# 注意：Element类型的对象可以继续调用xpath函数，对该对象表示的局部内容进行指定内容的解析
"""
for li in li_list:
content = li.xpath('./div[@class="content"]/text()')[0] # 调用text()函数取得段子内容
title = li.xpath('./div[@class="info"]/a/text()')[0] # 获得a标签文本内容——标题（3）duanzi.txt文件写入效果
扫一扫
8万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
