5.网络爬虫——Xpath解析

网络爬虫——Xpath解析

• • Xpath简介
  • Xpath解析
  • • 节点选择
    • 路径表达式
    • 谓语
    • 未知节点
    • Xpath实战演示
    • • 豆果美食实战
      • 获取数据
      • 源代码

        前言：

        📝​📝​此专栏文章是专门针对Python零基础爬虫，欢迎免费订阅！

        📝​📝第一篇文章获得全站热搜第一，python领域热搜第一，

        第四篇文章全站热搜第八，欢迎阅读！

        🎈🎈欢迎大家一起学习，一起成长！！

        💕💕：悲索之人烈焰加身，堕落者不可饶恕。永恒燃烧的羽翼，带我脱离凡间的沉沦。

        

        Xpath简介

        XPath是一种用于在XML文档中定位节点的语言，它可以用于从XML文档中提取数据，以及在XML文档中进行搜索和过滤操作。它是W3C标准的一部分，被广泛应用于XML文档的处理和分析。

        XPath使用路径表达式来描述节点的位置，这些路径表达式类似于文件系统中的路径。路径表达式由一个或多个步骤(step)组成，每个步骤描述了一个节点或一组节点。步骤可以使用关系运算符(如/和//)来连接，以便描述更复杂的节点位置。

        XPath还提供了一些内置函数和运算符，可以对XML文档中的数据进行操作和计算。例如，可以使用XPath的数学函数来计算节点的数值，或使用字符串函数来处理节点的文本内容。

        在Python中，XPath可以使用lxml库来实现。lxml提供了一个etree模块，该模块包含了XPath的实现，可以方便地对XML文档进行解析和操作，同时支持XPath语法。

        Xpath解析

        节点选择

        XPath用于在XML文档中定位和选择节点，以下是XPath的一些常用用法：

        

        1. 选择所有节点：

        使用双斜杠//选择文档中的所有节点，例如：//node()

        2. 按标签名选择节点：

        使用标签名选择节点，例如：//book

        3. 按属性选择节点：

        使用方括号[]和@符号选择具有特定属性值的节点，例如：//book[@category="children"]

        4. 选择父节点、子节点和兄弟节点：

        使用父节点(…)、子节点(/)和兄弟节点(//)选择节点，例如：//book/title/..、//book/author/following-sibling::title等

        5. 使用通配符选择节点：

        使用星号*选择任何节点，例如：//book/*选择所有book节点的子节点

        6. 使用逻辑运算符选择节点：

        使用and、or、not等逻辑运算符选择节点，例如：//book[price<10 and @category="children"]

        7. 使用内置函数处理节点：

        使用内置函数处理节点的文本和数值，例如：//book[substring(title,1,3)="The"]选择标题以"The"开头的书籍

        8. 使用轴选择节点：

        使用轴选择节点，例如：//book/ancestor::library选择book节点的library祖先节点

        在Python中，使用lxml库的etree模块可以方便地使用XPath进行节点定位和选择。例如，可以使用etree.parse()函数解析XML文档，并使用xpath()方法执行XPath表达式，以便选择和操作XML文档中的节点。

        路径表达式

        

        XPath路径表达式是一种用于在XML文档中定位节点的语法。它由一系列节点名、轴、谓词和运算符组成，可以构造出一个完整的路径，以定位到目标节点。

        XPath路径表达式的基本语法如下：

        /          : 从根节点开始，定位到目标节点
        //         : 从当前节点开始，递归查找所有符合条件的节点
        .          : 表示当前节点
        ..         : 表示当前节点的父节点
        *          : 匹配任意节点
        @          : 表示属性节点
        []         : 表示谓词，用于筛选符合条件的节点
        

        例如，以下是一些XPath路径表达式的示例：

        /                 : 定位到根节点
        /bookstore        : 定位到根节点下的bookstore节点
        /bookstore/book   : 定位到bookstore节点下的所有book节点
        //book            : 递归查找所有book节点
        //book[@category='web'] : 查找所有category属性值为web的book节点
        

        XPath路径表达式是XPath语言的核心，它可以用于查询XML文档中的数据，并且在XPath语言中还有很多其他的功能，例如函数、运算符等，可以更加灵活地处理XML数据。

        谓语

        XPath谓语是一种用于筛选XML文档中特定节点的表达式，它可以在XPath路径中使用。谓语通常由方括号包围，并包括一个条件表达式。

        例如，以下XPath路径选择所有名为“book”的元素：

        /bookstore/book
        

        如果我们想要选择所有具有价格大于10美元的书籍，我们可以使用以下XPath路径和谓语：

        /bookstore/book[price > 10]
        

        在这个例子中，谓语是“[price > 10]”，它指定了一个条件，它只选择价格大于10美元的书籍。

        

        未知节点

        当我们需要选择一个未知节点时，意味着我们无法确定节点的位置或名称，但我们知道节点具有某些特定属性或特征。在这种情况下，我们可以使用通配符、轴、谓词等技术来选择未知节点。

        通配符（*）可以用来匹配任何节点，轴可以用来选择与当前节点相关的节点，谓词可以用来筛选符合条件的节点。使用这些技术，我们可以选择任何未知节点，使我们的XPath表达式更加灵活和通用。

        

        Xpath语法较多，我不一一演示，但在后面实战演示中，会依次讲解，帮助大家理解学习。理论讲解完毕，我们进入实战！！！ 💨💨

        Xpath实战演示

        所以今天实战内容是关于美食的，毕竟博主是一个吃货 。🍧 🍨 🍩 🍪 🎂 🍰🧀 🍖 🍗 🥩 🥓 🍔 🍟 🍕 🌭 🥪 🌮 🌯 🍜 🍝 🍠 🍢 🍣

        豆果美食实战

        让我们欣赏一下主页吧！

        

        我们今天不获取照片了，毕竟太吸引人了，哈哈哈。

        

        >和之前一样，我们点击右键，选择检查，查看元素，接着按CTRL+F键

        

        在XPath中，nodename指的是XML文档中的节点名称。节点名称可以是元素名称、属性名称、注释名称、处理指令名称等。

        

        

        第一个是不是很简单，想找那个就输入那个，我们慢慢来。

        /从根节点选取（取子节点）。

        url = 'https://www.douguo.com/'
        res = requests.get(url)
        print(res.text)
        html = etree.HTML(res.text)
        # /从根节点选取（取子节点）。
        rest = html.xpath('/html/head/title')  # 返回Element对象
        print(rest)
        

        

        url = 'https://www.douguo.com/'
        res = requests.get(url)
        print(res.text)
        html = etree.HTML(res.text)
        # /从根节点选取（取子节点）。
        rest = html.xpath('/html/head/title/text()')  # 返回Element对象
        print(rest)
        

        我们在xpath代码里面加入text（），/text() 获取Element对象的元素内容(元素文本)

        

        // 获取任何位置的数据，不从根路径出发

        # // 获取任何位置的数据，不从根路径出发
        title_text = html.xpath('//title/text()')  # 一般会获取多个数据
        print(title_text)
        

        

        /@属性名 获取标签中的属性名的内容

        # /@属性名  获取标签中的属性名的内容
        attr = html.xpath('//meta/@name')
        print(attr)
        

        

        谓语 (相当于python里面的索引，条件) 选取数据中某部分数据

        # 谓语 (相当于python里面的索引，条件)
        # 选取数据中某部分数据
        index = html.xpath('/html/head/meta[3]')  # meta[3] 获取meta里面的第3个参数
        print(index)
        

        

        last() 获取最后面的数据

        # last() 获取最后面的数据
        index = html.xpath('/html/body/div[1]/div/a[last()]')  # meta[3] 获取meta里面的第3个参数
        print(index)
        

        

        position()<3 获取索引小于3的数据

        # position()<3  获取索引小于3的数据
        index = html.xpath('/html/body/div[1]/div/a[position()<3]')  # meta[3] 获取meta里面的第3个参数
        print(index)
        

        

        //meta[@charset] 根据标签名 和 属性名称进行数据筛选

        # //meta[@charset]  根据标签名 和 属性名称进行数据筛选
        index = html.xpath('//meta[@charset]')  # meta[3] 获取meta里面的第3个参数
        print(index)
        

        

        //meta[@name="meta1"] # 标签为meta 并且 里面的属性为name,属性的值为author

        # //meta[@name="meta1"] # 标签为meta 并且 里面的属性为name,属性的值为author
        index = html.xpath('//meta[@name="author"]')
        print(index)
        

        

        未知节点

        不管是什么标签名 只要其中有就获取到

        # 未知节点
        index = html.xpath('//*[@]')
        # 不管是什么标签名 只要其中有就获取到
        print(index)
        

        

        获取未知的属性

        获取meta标签 并且里面有一个属性的值=keywords

        # 获取未知的属性
        # 获取meta标签 并且里面有一个属性的值=keywords
        index = html.xpath('//meta[@*="keywords"]')
        print(index)
        

        

        获取数据

        常用的用法基本上都讲了一遍，现在教大家怎么获取更多数据

        

        我们来获取这些菜谱的名字和作者的名字

        首先，我们获取这个网页的源代码到我们本地，这个就不具体演示了，前面几章已经作了详细的讲解，如果有疑问，可以看我之前的文章。

        直接展示:

        import time
        import requests
        from lxml import etree
        from tabulate import tabulate
        url = 'https://www.douguo.com/'
        res = requests.get(url)
        print(res.text)
        # html = etree.HTML(res.text)
        

        

        是不是很简单，几行代码就得到了这些数据，接下来我们对源代码里面的数据用Xpath进行解析，来获取我们想要的数据。

        首先我们需要认识一行代码

        html = etree.HTML(res.text)

        这行代码的作用是将 HTTP 响应中的 HTML 文本解析为一个 Element 对象，以便后续对其进行操作，例如提取数据、修改内容、查找元素等等。其中，etree 是 Python 的一个第三方库，可以用来解析 XML 和 HTML 文本。HTML 是一种标记语言，用于构建网页和 Web 应用程序的用户界面。

        我们在使用的时候，需要导入，代码如下：

        from lxml import etree

        进入正题，开始使用Xpath来解析数据：

        html = etree.HTML(res.text)
        name = html.xpath(f'//*[@id="content"]/ul[1]/li[1]/div/a/text()')
        print(name)
        

        

        很好，我们通过一行代码获取了第一个美食的名字，一共有八个美食，我们不可能写八行代码来获取名字吧,虽然可以，但太繁琐，不宜使用。我们可以使用循环，他们之间一定有内在的联系，通过解析发现，他们路径基本上相同，不同的li[i]里面的值，我们通过循环来获取名字。

        

        修改后的代码，三行就够了！！

        html = etree.HTML(res.text)
        for i in range(1, 9):
            name = html.xpath(f'//*[@id="content"]/ul[1]/li[{i}]/div/a/text()')
        # name1 = html.xpath(f'//*[@id="content"]/ul[1]/li[2]/div/a/text()')
        # name2 = html.xpath(f'//*[@id="content"]/ul[1]/li[3]/div/a/text()')
            print(name)
        # print(name1)
        # print(name2)
        

        

        我们获取了前八个美食的名字，接下来我们获取前八个美食的作者名字，方法和前面一样，先找到一个作者的xpath路径，接着找规律，如何用循环写出来，如下：

        res = requests.get(url)
        # print(res.text)
        html = etree.HTML(res.text)
        for i in range(1, 9):
            name = html.xpath(f'//*[@id="content"]/ul[1]/li[{i}]/div/a/text()')
            author = html.xpath(f'//*[@id="content"]/ul[1]/li[{i}]/div/p/a[1]/text()')
            print(name)
            print( author)
        

        

        我们获取了想要的数据l，是不是很简单，其实我们还可以美化一下。

            result = tabulate([[name, author]], headers=['Name', 'Author'], tablefmt='orgtbl')
            print(result)
        

        将名字和作者的数据以表格的形式输出。具体实现方式是使用tabulate库中的tabulate函数，将数据列表和表头传入函数中，设置输出格式为orgtbl，最后将输出结果打印出来。

        

        源代码

        import time
        import requests
        from lxml import etree
        from tabulate import tabulate
        url = 'https://www.douguo.com/'
        res = requests.get(url)
        # print(res.text)
        html = etree.HTML(res.text)
        for i in range(1, 9):
            name = html.xpath(f'//*[@id="content"]/ul[1]/li[{i}]/div/a/text()')
            author = html.xpath(f'//*[@id="content"]/ul[1]/li[{i}]/div/p/a[1]/text()')
            print(name)
            print(author)
            result = tabulate([[name, author]], headers=['Name', 'Author'], tablefmt='orgtbl')
            print(result)
        

        🍀🍀写在最后:本篇文章总计上万字，感谢你能阅读到这里，为你的学习点一个赞。为了写好这篇文章，我学习了三天的数据解析，写了四个小时的文章，一点一点的写出来，方便大家理解学习，如果觉得对你有帮助，点一个赞吧，你的赞是对我最大的鼓励，谢谢啦。🌸🌸🌸