Xpath語法詳解

1.簡介

XPath是一門在XML和HTML文檔中查找信息的語言，可以用來在XML和HTML文檔中對元素和屬性進行遍歷

XPath的安裝

Chrome插件XPath Helper

點Chrome瀏覽器右上角：更多工具-----擴展程序-----谷歌商店--------勾選XPath Helper（需要翻牆）

2.語法詳解

#1.選取節點
'''
/   如果是在最前面，代表從根節點選取，否則選擇某節點下的某個節點.只查詢子一輩的節點
    /html   查詢到一個結果
    /div    查詢到0個結果，因為根節點以下只有一個html子節點
    /html/body  查詢到1個結果

//  查詢所有子孫節點
    //head/script
    //div

.   選取當前節點

..  選取當前節點的父節點

@   選取屬性
    //div[@id]  選擇所有帶有id屬性的div元素
    <div id="sidebar" class="sidebar" data-lg-tj-track-code="index_navigation" data-lg-tj-track-type="1">

'''
#2.謂語
'''
謂語是用來查找某個特定的節點或者包含某個指定的值的節點，被嵌在方括號中。
//body/div[1]                body下的第一個div元素
//body/div[last()]           body下的最后一個div元素
//body/div[position()<3]     body下的位置小於3的元素
//div[@id]                   div下帶id屬性的元素
<div id="sidebar" class="sidebar" data-lg-tj-track-code="index_navigation" data-lg-tj-track-type="1">
//input[@id="serverTime"]    input下id="serverTime"的元素

模糊匹配
//div[contains(@class,'f1')] div的class屬性帶有f1的
通配符 *
//body/*                    body下面所有的元素
//div[@*]                   只要有用屬性的div元素
//div[@id='footer']    //div  帶有id='footer'屬性的div下的所有div元素
//div[@class='job_bt'] //dd[@class='job-advantage']

運算符
//div[@class='job_detail'] and @id='job_tent'
//book/title | //book/price         選取 book 元素的所有 title 和 price 元素。
也可以百度搜索XPath語法

.//a/text()         當前標簽下所有a標簽的文字內容
//tr[position()>1 and position()<11] 位置大於1小於11
'''

#需要注意的知識點
'''
1./和//的區別：/代表子節點，//代表子孫節點，//用的比較多
2.contains有時候某個屬性中包含了多個值，那么使用contains函數
//div[contains(@class,'lg')]
3.謂語中的下標是從1開始的，不是從0開始的
'''

3.要在python中使用xpath，要導入一個庫 lxml。

這個是C編寫的庫，直接pip3 install lxml可能會有一些顯示問題，但是不影響使用。

然而程序員特有的代碼潔癖讓我看見波浪線也不會爽，所以去https://www.lfd.uci.edu/~gohlke/pythonlibs/下載lxml的whl文件進行pip（根據自己的pycharm版本選擇）

4.lxml和xpath的結合使用

#  -*-coding:utf8 -*-
from lxml import etree
#1.獲取所有tr標簽
#2.獲取第2個tr標簽
#3.獲取所有class等於even的標簽
#4.獲取所有a標簽的href屬性
#5.獲取所有的職位信息(純文本)



parser=etree.HTMLParser(encoding='utf-8')
html=etree.parse('tencent.html',parser=parser)

#1.獲取所有tr標簽
#xpath函數返回的是一個列表
# trs=html.xpath('//tr')
# print(trs)
# for tr in trs:
#     print(etree.tostring(tr,encoding='utf-8').decode('utf-8'))

#2.獲取第2個tr標簽

# trs=html.xpath('//tr[2]')[0]
#這樣直接找第2個tr標簽，實際上會把所有的table下的第二個tr標簽找出來，
#為了更精准，可以先把table標簽找到，再找這個table下的第二個tr標簽
# trs=html.xpath('//table[@class="tablelist"]//tr[1]')[0]
# print(etree.tostring(trs,encoding='utf-8').decode('utf-8'))

#3.獲取所有class等於even的標簽
# trs=html.xpath("//tr[@class='even']")
# for tr in trs:
#     print(etree.tostring(tr, encoding='utf-8').decode('utf-8'))

#4.獲取所有a標簽的href屬性
# a_list=html.xpath('//a/@href')
# for a in a_list:
#     print(a)

#5.獲取所有的職位信息(純文本)
trs=html.xpath('//tr[position()>1 and position()<11]')
positions=[]
for tr in trs:
    #寫了//后，則一定會從整個文檔找a標簽，會無視前面的tr
    # href=tr.xpath('//a')
    #寫了.后，則獲取當前標簽下的a標簽
    href=tr.xpath('.//a/@href')[0]
    fullurl='http://hr.tencent.com/'+href
    #title文本信息不是td[1]的直接子元素標簽，所以要加./td[1]//text()
    title=tr.xpath('./td[1]//text()')[0]
    category=tr.xpath('./td[2]/text()')[0]
    nums=tr.xpath('./td[3]/text()')[0]
    address=tr.xpath('./td[4]/text()')[0]
    pubtime=tr.xpath('./td[5]/text()')[0]
    position={
        'url':fullurl,
        'title':title,
        'category':category,
        'nums':nums,
        'pubtime':pubtime
    }
    positions.append(position)
# print(positions)

#6.獲取純文本信息還可以用string
# print(html.xpath("string(//tr[1])"))
# trs=html.xpath('//tr')
# for tr in trs:
    # print(tr.xpath("string(.)").strip()

5.實戰案例，豆瓣電影爬蟲

#  -*-coding:utf8 -*-
#1.將目標網站上的頁面抓取下來
#2.將抓取下來的數據根據一定的規則進行提取

import requests
from lxml import etree
#1.將目標網站上的頁面抓取下來
headers={
    'User-Agent':'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/72.0.3626.119 Safari/537.36',
    'Referer':'https://www.douban.com/',
}
url='https://movie.douban.com/'
response=requests.get(url,headers=headers)
text=response.text
html=etree.HTML(text)
ul=html.xpath("//ul[@class='ui-slide-content']")[0]
# print(etree.tostring(ul,encoding='utf-8').decode('utf-8'))
lis=ul.xpath('./li[@data-title]')
movies=[]
for li in lis:
    title=li.xpath('@data-title')[0]
    score=li.xpath('@data-rate')[0]
    duration=li.xpath('@data-duration')[0]
    region=li.xpath('@data-region')[0]
    director=li.xpath('@data-director')[0]
    actors=li.xpath('@data-actors')[0]
    thumbnail=li.xpath('.//img/@src')[0]
    movie={
        'title':title,
        'score':score,
        'duration':duration,
        'region':region,
        'director':director,
        'actors':actors,
        'thumbnail':thumbnail
    }
    movies.append(movie)
print(movies)

6.實戰案例，電影天堂爬蟲

#  -*-coding:utf8 -*-
import requests
from lxml import etree

# url='https://www.dytt8.net/html/gndy/dyzz/list_23_1.html'
headers = {
    'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/72.0.3626.119 Safari/537.36'
}
# response=requests.get(url,headers=headers)
# 在電影天堂的網頁中，因為編碼方式，requests庫猜錯了，所以response.text出現亂碼
# print(response.text)
# text=response.content.decode('gbk')
BaseDomain = 'https://www.dytt8.net'


def get_detail_url(url):
    response = requests.get(url, headers=headers)
    # print(response.encoding)
    # 默認解碼方式ISO-8859-1
    # text=response.content.decode('gbk')
    # 在使用gbk解碼時遇到了一些問題，第五頁里有特殊字符，無法解析
    # 估計是因為xpath默認解碼方式和gbk不一致導致的，這時可以直接傳requests.text
    # 因為要獲取的是英文字符，不指定解碼方式也能得到
    html = etree.HTML(response.text)
    detail_urls = html.xpath('//table[@class="tbspan"]//a/@href')
    detail_urls = list(map(lambda url: BaseDomain + url, detail_urls))
    return detail_urls


def parse_detail_page(url):
    response = requests.get(url, headers=headers)
    text = response.content.decode('gbk')
    html = etree.HTML(text)
    title = html.xpath("//font[@color='#07519a' and position()=1]/text()")
    zoomE = html.xpath("//div[@id='Zoom']")[0]
    imgs = zoomE.xpath(".//img/@src")
    cover = imgs[0]
    screenshot = imgs[1]
    infos = zoomE.xpath(".//text()")
    movie = {
        'title': title,
        'cover': cover,
        'screenshot': screenshot
    }

    def parse_info(info, rule):
        return info.replace(rule, '').strip()

    for index, info in enumerate(infos):
        if info.startswith('◎年　　代'):
            info = parse_info(info, '◎年　　代')
            movie['year'] = info
        elif info.startswith('◎產　　地'):
            info = parse_info(info, '◎產　　地')
            movie['country'] = info
        elif info.startswith('◎類　　別'):
            info = parse_info(info, '◎類　　別')
            movie['category'] = info
        elif info.startswith('◎豆瓣評分'):
            info = parse_info(info, '◎豆瓣評分')
            movie['douban_rating'] = info
        elif info.startswith('◎片　　長'):
            info = parse_info(info, '◎片　　長')
            movie['duration'] = info
        elif info.startswith('◎導　　演'):
            info = parse_info(info, '◎導　　演')
            movie['director'] = info
        elif info.startswith('◎主　　演'):
            info = parse_info(info, '◎主　　演')
            actors = []
            actors.append(info)
            for x in range(index + 1, len(infos)):
                actor = infos[x].strip()
                if actor.startswith('◎簡　　介'):
                    break
                actors.append(actor)
            movie['actors'] = actors
        elif info.startswith('◎簡　　介 '):
            info=''
            for x in range(index+1,len(infos)):
                if infos[x].startswith('【下載地址】'):
                    break
                info = info + infos[x].strip()
            movie['profile']=info
    download_url = html.xpath("//td[@bgcolor='#fdfddf']//a/@href")[0]
    movie['download_url']=download_url
    return movie

def spider():
    # url = ['https://www.dytt8.net/html/gndy/dyzz/list_23_%s.html' % i for i in range(1, 8)]
    base_url = 'https://www.dytt8.net/html/gndy/dyzz/list_23_{}.html'
    movies=[]
    for x in range(1, 8):
        url = base_url.format(x)
        detail_urls = get_detail_url(url)
        for detail_url in detail_urls:
            movie = parse_detail_page(detail_url)
            movies.append(movie)
            print(movies)
if __name__ == '__main__':
    spider()

7.實戰案例，騰訊招聘爬蟲

#  -*-coding:utf8 -*-
import requests
from lxml import etree

base_url = 'https://hr.tencent.com/position.php?tid=87&start={}0#a'
base_domain = 'https://hr.tencent.com/'
headers = {
    'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/72.0.3626.119 Safari/537.36'
}
positions=[]

def parse_url(url):
    detail_urls=[]
    response=requests.get(url,headers=headers)
    html=etree.HTML(response.text)
    trs=html.xpath("//table[@class='tablelist']//tr[position()>1 and position()<12]")
    for tr in trs:
        href=tr.xpath('.//a/@href')[0]
        url=base_domain+href
        detail_urls.append(url)
    return detail_urls


def parse_detail_page(url):
    response=requests.get(url,headers=headers)
    html=etree.HTML(response.text)
    zoomE=html.xpath('//table[@class="tablelist textl"]')[0]
    title=zoomE.xpath('.//tr[1]/td/text()')[0]
    city=zoomE.xpath('.//tr[2]/td[1]/text()')[0]
    category=zoomE.xpath('.//tr[2]/td[2]/text()')[0]
    nums=zoomE.xpath('.//tr[2]/td[3]/text()')[0]
    duty=zoomE.xpath('.//tr[3]//ul//text()')
    dutys=''
    for i in duty:
        dutys=dutys+i.strip()
    require=zoomE.xpath('.//tr[4]//ul//text()')
    requires=''
    for i in require:
        requires=requires+i.strip()
    position={
        'title':title,
        'city':city,
        'category':category,
        'nums':nums,
        'dutys':dutys,
        'requires':requires
    }
    return position

if __name__ == '__main__':
    for i in range(1,10):
        url=base_url.format(i)
        detail_urls=parse_url(url)
        for detail_url in detail_urls:
            position=parse_detail_page(detail_url)
            positions.append(position)
            print(position)