目录
特此说明:本系列爬虫博客皆为本人在学习崔庆才老师的书《python3 网络爬虫开发实战》时所归纳总结的学习笔记,用于本人以后复习查找的资料,也分享给更多想学习爬虫的人。
前言
网页是由一个一个节点组成的,我们除了可以用正则表达式爬取想要的内容,还可以通过解析页面来提取某个节点,从而获得节点的内容。Python有很多解析库,我们这里介绍两种,lxml和Beautiful Soup。
XPath
首先我们来介绍一下xpath,全称XML Path Language,即XML路径语言。它是一门再XML文档中查找信息的语言,也可以用来进行HTML文档的查找。
XPath的常用规则
表格如下:
表达式 | 描述 |
nodename | 选取此节点的所有子节点 |
/ | 从当前节点选取直接子节点 |
// | 从当前节点选取子孙节点 |
. | 选取当前节点 |
.. | 选取当前节点的父节点 |
@ | 选取属性 |
//title[@class=”item-0”]
此表达式代表选择所有名称为title,且属性calss值为item-0的节点。
下面我们用实例说明:
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-2"><a href="link3.html">third item</a></li>
<li class="item-3"><a href="link4.html">fourth item</a></li>
</ul>
</div>
"
from lxml import etree
html=etree.HTML(text)
result=html.xpath("//*")
首先从lxml库中导入etree模块,再用HTML方法进行解析得到对象,然后即可用xpath对HTML代码进行查找,*代表匹配所有节点,所以“//*”可以匹配到所有的节点。
注意:这样返还的形式是一个列表,且每个元素是Element类型。如果要输出节点内容的话只需在后面加上text(),如下图:
from lxml import etree
html=etree.HTML(text)
result=html.xpath("//*/text()")
我们可以直接指定节点名称
from lxml import etree
html=etree.HTML(text)
result=html.xpath("//li")
这样可以得到所有li节点。
我们还可以得到特定的节点,比如我们要得到第二个<li>节点,我们可以这样:
from lxml import etree
html=etree.HTML(text)
result=html.xpath("/li[2]")
注意这里代表第一个<li>节点的是/li[1]而不是/li[0]。
我们可以继续得到<li>节点的子节点:
from lxml import etree
html=etree.HTML(text)
result=html.xpath("/li[2]/a")
那么如何通过子节点获取父节点呢,只需要用..即可。
例如我们要获得text中的第二个li节点的class属性:
from lxml import etree
html=etree.HTML(text)
result=html.xpath("/a[2]/../@class")
接下来我们介绍更复杂的情况:
属性多值匹配、多属性匹配
属性多值匹配
如果我们要提取的节点的属性有多个值怎么办?
text="
<div>
<ul>
<li class="item-0 item-4"><a href="link1.html">first item</a></li>
<li class="item-1"><a href="link2.html">second item</a></li>
<li class="item-2"><a href="link3.html">third item</a></li>
<li class="item-3"><a href="link4.html">fourth item</a></li>
</ul>
</div>
"
如果我们继续用前面的方法匹配,我们将不能得到想要的结果。
但我们可以用contains()函数,如下:
from lxml import etree
html=etree.HTML(text)
result=html.xpath("/li[contains(@class,"item-4")]")
多属性匹配
我们还可以根据多个属性来匹配节点,只需要加上运算符and即可。
text="
<div>
<ul>
<li class="item-0 item-4" name="item-5"><a href="link1.html">first item</a></li>
<li class="item-1"><a href="link2.html">second item</a></li>
<li class="item-2"><a href="link3.html">third item</a></li>
<li class="item-3"><a href="link4.html">fourth item</a></li>
</ul>
</div>
"
from lxml import etree
html=etree.HTML(text)
result=html.xpath("/li[contains(@class,"item-4") and @name="item-5"]")
此外我们还有很多运算符,例如or,+,- 等等。
按序选择
我们还可以通过以下方法更加方便的获取节点:
from lxml import etree
html=etree.HTML(text)
result=html.xpath("//li[last()]/a")
result=html.xpath("//li[last()-2]/a")
result=html.xpath("//li[position()<3]/a")
last()即查找最后一个节点,last()-2就是倒数第3个,position()< 3便是位置小于3的节点。