之前的文章我們介紹了一下 Python 中正則表達式和 re 模塊來做一個案例，爬取《糗事百科》的糗事並存儲到本地。本章我們來看一下另一種爬取數據的方式 XPath。
我們在前面爬取《糗事百科》的時候處理 HTML 文檔的時候發現會有些累人，還要對正則表達式非常熟悉爬起來才得心應手，那有沒有更為方便的方法呢，答案當然是有的，我們可以先將 HTML文件 轉換成 XML文檔，然后用 XPath 查找 HTML 節點或元素。
什么是XML
- XML 指可擴展標記語言（EXtensible Markup Language）
- XML 是一種標記語言，很類似 HTML
- XML 的設計宗旨是傳輸數據，而非顯示數據
- XML 的標簽需要我們自行定義。
- XML 被設計為具有自我描述性。
- XML 是 W3C 的推薦標准
XML 和 HTML 的區別
| 數據格式 | 描述 | 設計目標 |
|---|---|---|
| XML | Extensible Markup Language （可擴展標記語言） |
被設計為傳輸和存儲數據，其焦點是數據的內容。 |
| HTML | HyperText Markup Language （超文本標記語言） |
顯示數據以及如何更好顯示數據。 |
| HTML DOM | Document Object Model for HTML (文檔對象模型) |
通過 HTML DOM，可以訪問所有的 HTML 元素，連同它們所包含的文本和屬性。可以對其中的內容進行修改和刪除，同時也可以創建新的元素。 |
XML文檔示例
1 <?xml version="1.0" encoding="utf-8"?> 2 <bookstore> 3 <book category="cooking"> 4 <title lang="en">this is title</title> 5 <content>hello world</> 6 </book> 7 </bookstore>
HTML DOM 模型示例
HTML DOM 定義了訪問和操作 HTML 文檔的標准方法，以樹結構方式表達 HTML 文檔。
什么是XPath？
XPath (XML Path Language) 是一門在 XML 文檔中查找信息的語言，可用來在 XML 文檔中對元素和屬性進行遍歷。
XPath 開發工具
- 開源的XPath表達式編輯工具:XMLQuire(XML格式文件可用)
- Chrome插件 XPath Helper
- Firefox插件 XPath Checker
選取節點
XPath 使用路徑表達式來選取 XML 文檔中的節點或者節點集。這些路徑表達式和我們在常規的電腦文件系統中看到的表達式非常相似。
下面列出了最常用的路徑表達式：
| 表達式 | 描述 |
|---|---|
| nodename | 選取此節點的所有子節點。 |
| / | 從根節點選取。 |
| // | 從匹配選擇的當前節點選擇文檔中的節點，而不考慮它們的位置。 |
| . | 選取當前節點。 |
| .. | 選取當前節點的父節點。 |
| @ | 選取屬性。 |
在下面的表格中，我們已列出了一些路徑表達式以及表達式的結果：
路徑表達式 |
結果 |
|---|---|
| bookstore | 選取 bookstore 元素的所有子節點。 |
| /bookstore | 選取根元素 bookstore。注釋：假如路徑起始於正斜杠( / )，則此路徑始終代表到某元素的絕對路徑！ |
| bookstore/book | 選取屬於 bookstore 的子元素的所有 book 元素。 |
| //book | 選取所有 book 子元素，而不管它們在文檔中的位置。 |
| bookstore//book | 選擇屬於 bookstore 元素的后代的所有 book 元素，而不管它們位於 bookstore 之下的什么位置。 |
| //@lang | 選取名為 lang 的所有屬性。 |
謂語（Predicates）
謂語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。
在下面的表格中，我們列出了帶有謂語的一些路徑表達式，以及表達式的結果：
| 路徑表達式 | 結果 |
|---|---|
| /bookstore/book[1] | 選取屬於 bookstore 子元素的第一個 book 元素。 |
| /bookstore/book[last()] | 選取屬於 bookstore 子元素的最后一個 book 元素。 |
| /bookstore/book[last()-1] | 選取屬於 bookstore 子元素的倒數第二個 book 元素。 |
| /bookstore/book[position()<3] | 選取最前面的兩個屬於 bookstore 元素的子元素的 book 元素。 |
| //title[@lang] | 選取所有擁有名為 lang 的屬性的 title 元素。 |
| //title[@lang=’eng’] | 選取所有 title 元素，且這些元素擁有值為 eng 的 lang 屬性。 |
| /bookstore/book[price>35.00] | 選取 bookstore 元素的所有 book 元素，且其中的 price 元素的值須大於 35.00。 |
| /bookstore/book[price>35.00]/title | 選取 bookstore 元素中的 book 元素的所有 title 元素，且其中的 price 元素的值須大於 35.00。 |
選取未知節點
XPath 通配符可用來選取未知的 XML 元素。
| 通配符 | 描述 |
|---|---|
| * | 匹配任何元素節點。 |
| @* | 匹配任何屬性節點。 |
| node() | 匹配任何類型的節點。 |
在下面的表格中，我們列出了一些路徑表達式，以及這些表達式的結果：
| 路徑表達式 | 結果 |
|---|---|
| /bookstore/* | 選取 bookstore 元素的所有子元素。 |
| //* | 選取文檔中的所有元素。 |
| //title[@*] | 選取所有帶有屬性的 title 元素。 |
選取若干路徑
通過在路徑表達式中使用“|”運算符，您可以選取若干個路徑。
在下面的表格中，我們列出了一些路徑表達式，以及這些表達式的結果：
| 路徑表達式 | 結果 |
|---|---|
| //book/title | //book/price | 選取 book 元素的所有 title 和 price 元素。 |
| //title | //price | 選取文檔中的所有 title 和 price 元素。 |
| /bookstore/book/title | //price | 選取屬於 bookstore 元素的 book 元素的所有 title 元素，以及文檔中所有的 price 元素。 |
XPath的運算符
下面列出了可用在 XPath 表達式中的運算符：
這些就是XPath的語法內容，在運用到Python抓取時要先轉換為xml。
lxml庫
lxml 是 一個HTML/XML的解析器，主要的功能是如何解析和提取 HTML/XML 數據。
lxml和正則一樣，也是用 C 實現的，是一款高性能的 Python HTML/XML 解析器，我們可以利用之前學習的XPath語法，來快速的定位特定元素以及節點信息。
lxml python 官方文檔：http://lxml.de/index.html
需要安裝C語言庫，可使用 pip 安裝：
pip install lxml（或通過wheel方式安裝）
我們利用它來解析 HTML 代碼，簡單示例：
1 from lxml import etree 2 3 text = ''' 4 <div> 5 <ul> 6 <li class="item-0"><a href="link1.html">first item</a></li> 7 <li class="item-1"><a href="link2.html">second item</a></li> 8 <li class="item-inactive"><a href="link3.html">third item</a></li> 9 <li class="item-1"><a href="link4.html">fourth item</a></li> 10 <li class="item-0"><a href="link5.html">fifth item</a> # 注意，此處缺少一個 li 閉合標簽 11 </ul> 12 </div> 13 ''' 14 15 # 利用etree.HTML，將字符串解析為HTML文檔 16 html = etree.HTML(text) 17 18 # 按字符串序列化HTML文檔 19 # html = etree.tostring(html).decode("utf8") # 不能正常顯示中文 20 html = etree.tostring(html, encoding="utf-8", pretty_print=True, method="html").decode("utf-8") # 可以正常顯示中文 21 22 print(html)
運行結果如下：
1 <html><body> 2 <div> 3 <ul> 4 <li class="item-0"><a href="link1.html">first item</a></li> 5 <li class="item-1"><a href="link2.html">second item</a></li> 6 <li class="item-inactive"><a href="link3.html">third item</a></li> 7 <li class="item-1"><a href="link4.html">fourth item</a></li> 8 <li class="item-0"> 9 <a href="link5.html">fifth item</a> # 注意，此處缺少一個 li 閉合標簽 10 </li> 11 </ul> 12 </div> 13 </body></html>
lxml 可以自動修正 html 代碼，例子里不僅補全了 li 標簽，還添加了 body，html 標簽。
文件讀取：
除了直接讀取字符串，lxml還支持從文件里讀取內容。我們新建一個 index.html 文件：
1 <div> 2 <ul> 3 <li class="item-0"><a href="link1.html">first item</a></li> 4 <li class="item-1"><a href="link2.html">second item</a></li> 5 <li class="item-inactive"><a href="link3.html"><span class="bold">third item</span></a></li> 6 <li class="item-1"><a href="link4.html">fourth item</a></li> 7 <li class="item-0"><a href="link5.html">fifth item</a></li> 8 </ul> 9 </div>
再利用 etree.parse() 方法來讀取文件。
1 from lxml import etree 2 3 # 讀取外部文件 hello.html 4 html = etree.parse('./index.html', etree.HTMLParser()) # 指定解析器HTMLParser會根據文件修復HTML文件中缺失的如聲明信息 5 html = etree.tostring(html, encoding="utf-8", pretty_print=True, method="html").decode("utf-8") 6 7 print(html)
運行結果：
1 <!DOCTYPE html PUBLIC "-//W3C//DTD HTML 4.0 Transitional//EN" "http://www.w3.org/TR/REC-html40/loose.dtd"> 2 <html><body><div> 3 <ul> 4 <li class="item-0"><a href="link1.html">first item</a></li> 5 <li class="item-1"><a href="link2.html">second item</a></li> 6 <li class="item-inactive"><a href="link3.html"><span class="bold">third item</span></a></li> 7 <li class="item-1"><a href="link4.html">fourth item</a></li> 8 <li class="item-0"><a href="link5.html">fifth item</a></li> 9 </ul> 10 </div></body></html>
接下來我們看一下 XPath 的實力測試。
1. 獲取所有的 <li> 標簽
1 from lxml import etree 2 3 html = etree.parse('./index.html', etree.HTMLParser()) 4 print(type(html)) # <class 'lxml.etree._ElementTree'> 5 6 result = html.xpath('//li') 7 8 print(result) # [<Element li at 0x109c66248>, <Element li at 0x109c66348>, <Element li at 0x109c66388>, <Element li at 0x109c663c8>, <Element li at 0x109c66408>] 9 print(len(result)) # 5 10 print(type(result)) # <class 'list'> 11 print(type(result[0])) # <class 'lxml.etree._Element'>
2. 繼續獲取<li> 標簽的所有 class屬性
1 from lxml import etree 2 3 html = etree.parse('./index.html', etree.HTMLParser()) 4 result = html.xpath('//li/@class') 5 6 print(result) # ['item-0', 'item-1', 'item-inactive', 'item-1', 'item-0']
3. 繼續獲取<li>標簽下hre 為 link1.html 的 <a> 標簽
1 from lxml import etree 2 3 html = etree.parse('./index.html', etree.HTMLParser()) 4 result = html.xpath('//li/a[@href="link1.html"]') 5 6 print(result) # [<Element a at 0x10b324288>]
4. 獲取<li> 標簽下的所有 <span> 標簽
1 from lxml import etree 2 3 html = etree.parse('./index.html', etree.HTMLParser()) 4 # result = html.xpath('//li/span') 5 # 注意這么寫是不對的：因為 / 是用來獲取子元素的，而 <span> 並不是 <li> 的子元素，所以，要用雙斜杠 6 7 result = html.xpath('//li//span') 8 9 print(result) # [<Element span at 0x10a59b308>]
5. 獲取 <li> 標簽下的<a>標簽里的所有 class
1 from lxml import etree 2 3 html = etree.parse('./index.html', etree.HTMLParser()) 4 result = html.xpath('//li/a//@class') 5 6 print(result) # ['bold']
6. 獲取最后一個 <li> 的 <a> 的 href
1 from lxml import etree 2 3 html = etree.parse('./index.html', etree.HTMLParser()) 4 result = html.xpath('//li[last()]/a/@href') 5 # 謂語 [last()] 可以找到最后一個元素 6 7 print(result) # ['link5.html']
7. 獲取倒數第二個元素的內容
1 from lxml import etree 2 3 html = etree.parse('./index.html', etree.HTMLParser()) 4 result = html.xpath('//li[last()-1]/a') 5 6 # text 方法可以獲取元素內容 7 print(result[0].text) # fourth item
8. 獲取 class 值為 bold 的標簽名
1 from lxml import etree 2 3 html = etree.parse('./index.html', etree.HTMLParser()) 4 result = html.xpath('//*[@class="bold"]') 5 6 # tag方法可以獲取標簽名 7 print(result[0].tag) # span