Python 爬虫网页内容提取工具xpath

2023-06-02 06:06:53 359人浏览薄情痞子

Python 官方文档：入门教程 => 点击学习

摘要

上一节，我们详述了lxml.html的各种操作，接下来我们熟练掌握一下XPath，就可以熟练的提取网页内容了。XPath 是什么？XPath的全称是 XML Path Language，即XML 路径语言，是一种在XML（HTML）文档中查

上一节，我们详述了lxml.html的各种操作，接下来我们熟练掌握一下XPath，就可以熟练的提取网页内容了。

XPath 是什么？

XPath的全称是 XML Path Language，即XML 路径语言，是一种在XML（HTML）文档中查找信息的语言。它有4点特性：

XPath 使用路径表达式在 XML 文档中进行导航
XPath 包含一个标准函数库
XPath 是 XSLT 中的主要元素
XPath 是一个 W3C 标准

Python 爬虫网页内容提取工具xpath

我们从网页中提取数据，主要应用前两点。

XPath 路径表达式

使用XPath我们可以很容易定位到网页中的节点，也就是找到我们关心的数据。这些路径跟电脑目录、网址的路径很相似，通过/来表示路径的深度。

XPath 标注函数库

头内建了100多个函数，当然我们提取数据用到的有限，也就不用记住全部100多个函数了。

Xpath 的节点（node）

XPath中的核心就是节点（Node），定义了7种不同类型的节点：元素（Element）、属性（Attribute）、文本（Text）、命名空间（Namespace）、处理指令（processing-instruction）、注释（Comment）和文档节点（Document nodes）
这些节点组成一棵节点树，树的根节点被称为文档节点。
其中注释就是html里面的注释：``
而命名空间、处理指令和网页数据提取基本没关系，这里就不再详述。

下面我们以一个简单的html文档为例，来解释不同的节点及其关系。

<html> <body>     <div>ABC</div>     <ul id="menu">         <li>home</li>         <li>python</li>     </ul> </body> </html>

这段html中的节点有：

文档节点： <html>
元素节点：<li>Python</li>
属性节点： id="menu"

XPath 节点的关系

节点间的关系完全照搬人类传宗接代的辈分关系，但只是直系关系，没有叔叔、大伯之类的旁系关系。
还是以上面的html文档为例来说明节点关系：

父（Parent）

每个元素节点（Element）及其属性都有一个父节点。
比如，body的父是html，而body是div、ul 的父亲。

子（Children）

每个元素节点可以有零个、一个或多个子。
比如，body有两个子：div，ul，而ul也有两个子：两个li。

同辈（Sibling）

同辈有相同的父辈节点。
比如，div和ul是同辈。

先辈（Ancestor）

某节点的父辈及其以上辈分的节点。
比如，li的父辈有：ul、div、body、html

后代（Descendant）

某节点的子及其子孙节点。
比如，body的后代有：div、ul、li。

XPath节点的选取

选取节点，也就是通过路径表达来实现。这是我们在网页提取数据时的关键，要熟练掌握。

下表是比较有用的路径表达式：

表达式	说明
nodename	选取当前节点的名为nodename的所有子节点。
/	从根节点选取，在路径中间时表示一级路径
//	从当前节点开始选择文档中的节点，可以是多级路径
.	从当前节点开始选取
..	从父节点开始选取
@	按属性选取

接下来通过具体的示例来加深对路径表达的理解：

路径表达式	解释
/html/body/ul/li	从根节点开始依照路径选取li元素。返回多个。
//ul/li[1]	还是选取li元素，但是路径多级跳跃到ul/li。[1]表示只取第一个li。
//li[last()]	还是选取li，但路径更跳跃。[last()]表示取最后一个li元素。
//li[@class]	选取根节点的名为li且有class属性的所有后代。
//li[@class=”item”]	选择根节点的名为li且class属性为item的所有后代。
//body/*/li	选取body的名为li的孙子节点。`*`是通配符，表示任何节点。
//li[@*]	选取所有带属性的li元素。
//body/div `	` //body/ul	选取body的所有div和ul元素。
body/div	相对路径，选取当前节点的body元素的子元素div。绝对路径以 / 开始。

XPath函数

Xpath的函数很多，涉及到错误、数值、字符串、时间等等，然而我们从网页中提取数据的时候只会用到很少的一部分。其中最重要的就是字符串相关的函数，比如contains()函数。

contains(a, b)

如果字符串a包含字符串b，则返回true，否则返回false。
比如： contains(‘猿人学Python’, ‘Python’)，返回true
那么它用在什么时候呢？我们知道，一个html标签的class是可以有多个属性值的，比如：

<div class="post-item text-red text-center">     ... </div>

这段html中div有三个class值，第一个表面它是一条发布的消息，后面两个是对格式做了更多的设置。如果我们想提取网页中所有发布的消息，只需要匹配到post-item 即可，这时候就可以用上contains了：

doc.xpath('//div[contains(@class, "post-item")]')

跟contains()类似的字符串匹配的函数还有：

starts-with(string1, string2) 判断string1是否以string2开头
ends-with(string1, string2) 判断string1是否以string2结尾
matches(string, pattern) 通过正则表达式匹配

然而，在lxml的xpath中使用ends-with(), matches() 会报错

In [232]: doc.xpath('//ul[ends-with(@id, "u")]') --------------------------------------------------------------------------- XPathEvalError                            Traceback (most recent call last) <ipython-input-232-79a4afc46a75> in <module>() ----> 1 doc.xpath('//ul[ends-with(@id, "u")]') src/lxml/etree.pyx in lxml.etree._Element.xpath() src/lxml/xpath.pxi in lxml.etree.XPathElementEvaluator.__call__() src/lxml/xpath.pxi in lxml.etree._XPathEvaluatorBase._handle_result() XPathEvalError: UnreGIStered function

lxml 竟然不支持ends-with(), matches()函数
到lxml官方网站去看看，原来它说了只支持 XPath 1.0：