Python爬虫之xpath语法及案例使用

---- 钢铁侠的知识库 2022.08.15

我们在写Python爬虫时，经常需要对网页提取信息，如果用传统正则表达去写会增加很多工作量，此时需要一种对数据解析的方法，也就是本章要介绍的Xpath表达式。

Xpath是什么

XPath，全称 XML Path Language，即 XML 路径语言，它是一门在 XML 文档中查找信息的语言。最初是用来搜寻 XML 文档的，但同样适用于 HTML 文档的搜索。所以在做爬虫时完全可以使用 XPath 做相应的信息抽取。

XPath 的选择功能十分强大，它提供了非常简洁明了的路径选择表达式。另外，它还提供超过 100 个内置函数，用于字符串、数值、时间的匹配以及节点、序列的处理等，几乎所有想要定位的节点都可以用 XPath 来选取。

下面介绍实战中常用的几个知识点，详细也可以看W3C介绍：https://www.w3school.com.cn/xpath/index.asp

Xpath语法介绍

路径常用规则

表达式	描述	实例
nodename	选取此节点的所有子节点	xpath('//div')	选取了div节点的所有子节点
/	从根节点选取	xpath('/div')	从根节点上选取div节点
//	选取所有当前节点，不考虑位置	xpath('//div')	选取所有的div节点
.	选取当前节点	xpath('./div')	选取当前节点下的div节点
..	选取当前节点的父节点	xpath('..')	回到上一个节点
@	选取属性	xpath（'//@calss'）	选取所有的class属性

谓语规则

谓语被嵌在方括号内，用来查找某个特定的节点或包含某个制定的值的节点

表达式	结果
xpath('/body/div[1]')	选取body下的第一个div节点
xpath('/body/div[last()]')	选取body下最后一个div节点
xpath('/body/div[last()-1]')	选取body下倒数第二个div节点
xpath('/body/div[positon()️]')	选取body下前两个div节点
xpath('/body/div[@class]')	选取body下带有class属性的div节点
xpath('/body/div[@class="main"]')	选取body下class属性为main的div节点
xpath('/body/div[price>35.00]')	选取body下price元素值大于35的div节点

通配符

通配符来选取未知的XML元素

表达式	结果
xpath（'/div/*'）	选取div下的所有子节点
xpath('/div[@*]')	选取所有带属性的div节点

取多个路径

使用“|”运算符可以选取多个路径

表达式	结果
xpath('//div\|//table')	选取所有的div和table节点

功能函数

使用功能函数能够更好的进行模糊搜索

函数	用法	解释
starts-with	xpath('//div[starts-with(@id,"ma")]')	选取id值以ma开头的div节点
contains	xpath('//div[contains(@id,"ma")]')	选取id值包含ma的div节点
and	xpath('//div[contains(@id,"ma") and contains(@id,"in")]')	选取id值包含ma和in的div节点
text()	xpath('//div[contains(text(),"ma")]')	选取节点文本包含ma的div节点

语法熟悉

下面举一段HTML文本进行语法热身，代码如下

#!/usr/bin/env python

# -*- coding: utf-8 -*-

# time: 2022/8/8 0:05

# author: gangtie

# email: 648403020@qq.com

from lxml import etree

text = '''

<div>

            <ul id='ultest'>

                 <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-inactive"><a href="link3.html">third item</a></li>

                 <li class="item-1"><a href="link4.html"><span>fourth item</span></a></li>

                 <li class="item-0"><a href="link5.html">fifth item</a>

             </ul>

         </div>

'''

# 调用HTML类进行初始化，这样就成功构造了一个XPath解析对象。

# 利用etree.HTML解析字符串

page = etree.HTML(text)

print(type(page))

可以看到打印结果已经变成XML元素：

<class 'lxml.etree._Element'>

字符串转换HTML

字符串利用etree.HTML解析成html格式：

print(etree.tostring(page,encoding='utf-8').decode('utf-8'))

```

<html><body><div>

            <ul id="ultest">

                 <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-inactive"><a href="link3.html">third item</a></li>

                 <li class="item-1"><a href="link4.html"><span>fourth item</span></a></li>

                 <li class="item-0"><a href="link5.html">fifth item</a>

             </li></ul>

         </div>

</body></html>

Process finished with exit code 0

```

经过处理可以看到缺失的</li>也自动补全了，还自动添加html、body节点。

查找绝对路径

通过绝对路径获取a标签的所有内容

a = page.xpath("/html/body/div/ul/li/a")

for i in a:

    print(i.text)

```

first item

second item

third item

None

fifth item

```

查找相对路径(常用)

查找所有li标签下的a标签内容

html = etree.HTML(text)

a = html.xpath("//a/text()")

print(a)

```

['first item', 'second item', 'third item', 'fifth item']

```

当前标签节点

. 表示选取当前标签的节点。

我们先定位 ul 元素节点得到一个列表，打印当前节点列表得到第一个 ul，

接着打印 ul 节点的子节点 li，text()输出。

page = etree.HTML(text)

ul = page.xpath("//ul")

print(ul)

print(ul[0].xpath("."))

print(ul[0].xpath("./li"))

print(ul[0].xpath("./li/a/text()"))

```

[<Element ul at 0x234d16186c0>]

[<Element ul at 0x234d16186c0>]

[<Element li at 0x234d1618ac0>, <Element li at 0x234d1618b00>, <Element li at 0x234d1618b40>, <Element li at 0x234d1618b80>, <Element li at 0x234d1618bc0>]

['first item', 'second item', 'third item', 'fifth item']

```

父节点

.. 表示选取当前标签的父节点。

可以看到得到ul的上一级div

page = etree.HTML(text)

ul = page.xpath("//ul")

print(ul[0].xpath("."))

print(ul[0].xpath(".."))

```

[<Element ul at 0x1d6d5cd8540>]

[<Element div at 0x1d6d5cd8940>]

```

属性匹配

匹配时可以用@符号进行属性过滤

查找a标签下属性href值为link2.html的内容

html = etree.HTML(text)

a = html.xpath("//a[@href='link2.html']/text()")

print(a)

```

['second item']

```

函数

last()：查找最后一个li标签里的a标签的href属性

html = etree.HTML(text)

a = html.xpath("//li[last()]/a/text()")

print(a)

```

['fifth item']

```

contains：查找a标签中属性href包含link的节点，并文本输出

html = etree.HTML(text)

a = html.xpath("//a[contains(@href, 'link')]/text()")

print(a)

```

['first item', 'second item', 'third item', 'fifth item']

```

实战案例

上面说完基本用法，接下来做几个实战案例练练手。

案例一：豆瓣读书

#  -*-coding:utf8 -*-

# 1.请求并提取需要的字段

# 2.保存需要的数据

import requests

from lxml import etree

class DoubanBook():

    def __init__(self):

        self.base_url = 'https://book.douban.com/chart?subcat=all&icn=index-topchart-popular'

        self.headers = {

            'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) '

                          'Chrome/104.0.0.0 Safari/537.36'

        }

    # 请求并提取需要的字段

    def crawl(self):

        res = requests.get(self.base_url, headers=self.headers)

        lis = etree.HTML(res.text).xpath('//*[@id="content"]/div/div[1]/ul/li')

        # print(type(lis))

        books = []

        for li in lis:

            # print(etree.tostring(li,encoding='utf-8').decode('utf-8'))

            # print("==================================================")

            title = "".join(li.xpath(".//a[@class='fleft']/text()"))

            score = "".join(li.xpath(".//p[@class='clearfix w250']/span[2]/text()"))

            # list输出带有['\n                    刘瑜 / 2022-4 / 广西师范大学出版社 / 82.00元 / 精装\n                ']

            publishing = "".join(li.xpath(".//p[@class='subject-abstract color-gray']/text()")).strip()

            book = {

                'title': title,

                'score': score,

                'publishing': publishing,

            }

            books.append(book)

        self.save_data(books)

    def save_data(self, datas):

            with open('books.txt', 'w', encoding='utf-8') as f:

                f.write(str(datas))

    def run(self):

        self.crawl()

if __name__ == '__main__':

    DoubanBook().run()

案例二：彼岸图片下载

#!/usr/bin/env python

# -*- coding: utf-8 -*-

# author: 钢铁知识库

# email: 648403020@qq.com

import os

import requests

from lxml import etree

# 彼岸图片下载

class BiAn():

    def __init__(self):

        self.url = 'https://pic.netbian.com'

        self.headers = {

            'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) '

                          'Chrome/104.0.0.0 Safari/537.36',

            'cookie': '__yjs_duid=1_cb922eedbda97280755010e53b2caca41659183144320; Hm_lvt_c59f2e992a863c2744e1ba985abaea6c=1649863747,1660203266; zkhanecookieclassrecord=%2C23%2C54%2C55%2C66%2C60%2C; Hm_lpvt_c59f2e992a863c2744e1ba985abaea6c=1660207771; yjs_js_security_passport=1225f36e8501b4d95592e5e7d5202f4081149e51_1630209607_js'

        }

        # 如果目录不存在会报错

        if not os.path.exists('BianPicture'):

            os.mkdir('BianPicture')

    # 请求拿到ul列表

    def crawl(self):

        res = requests.get(self.url, headers=self.headers)

        res.encoding = 'gbk'

        uls = etree.HTML(res.text).xpath('//div[@class="slist"]/ul[@class="clearfix"]/li')

        # print(etree.tostring(uls,encoding='gbk').decode('gbk'))

        # 循环拿到图片名、图片地址，拼接请求再次下载到图片

        for ul in uls:

            img_name = ul.xpath('.//a/b/text()')[0]

            img_src = ul.xpath('.//a/span/img/@src')[0]

            # print(img_name + img_src)

            img_url = self.url + img_src

            # 拼接后下载图片，转义Bytes

            img_res = requests.get(img_url, headers=self.headers).content

            img_path = "BianPicture/" + img_name + ".jpg"

            data = {

                'img_res': img_res,

                'img_path': img_path

            }

            self.save_data(data)

    # 数据保存逻辑

    def save_data(self, data):

        with open(data['img_path'], 'wb') as f:

            f.write(data['img_res'])

        # print(data)

    def run(self):

        self.crawl()

if __name__ == '__main__':

    BiAn().run()

案例三：全国城市名称爬取

#!/usr/bin/env python

# -*- coding: utf-8 -*-

# author: 钢铁知识库

# email: 648403020@qq.com

import os

import requests

from lxml import etree

class CityName():

    def __init__(self):

        self.url = 'https://www.aqistudy.cn/historydata/'

        self.headers = {

            'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/104.0.0.0 Safari/537.36'

        }

        # 判断目录是否存在

        if not os.path.exists('city_project'):

            os.mkdir('city_project')

    def crawl(self):

        res = requests.get(url=self.url, headers=self.headers).text

        uls = etree.HTML(res).xpath('//div[@class="all"]/div[2]/ul/div[2]/li')

        all_city_name = list()

        for ul in uls:

            city_name = ul.xpath('.//a/text()')[0]

            # print(type(city_name))

            all_city_name.append(city_name)

            self.save_data(all_city_name)

    def save_data(self, data):

        with open('./city_project/city.txt', 'w') as f:

            f.write(str(data))

    def run(self):

        self.crawl()

if __name__ == '__main__':

    CityName().run()

xpath使用工具

chrome生成XPath表达式

经常使用chome的朋友都应该知道这功能，在 审查 状态下(快捷键ctrl+shift+i，F12)，定位到元素(快捷键ctrl+shift+c) ，在Elements选项卡中，右键元素 Copy->Copy xpath，就能得到该元素的xpath了

Xpath Helper插件

为chome装上XPath Helper就可以很轻松的检验自己的xpath是否正确了。安装插件需要特别上网，安装好插件后，在chrome右上角点插件的图标，调出插件的黑色界面，编辑好xpath表达式，表达式选中的元素被标记为黄色

---- 钢铁侠的知识库 2022.08.15

结语：

以上就是利用XPath的所有用法，从常用语法，到案例练习都走了一遍。下一章钢铁知识库会继续介绍另一种好用的解析框架，Beautiful Soup，觉得有用点赞加关注，就当你送了红包666