网页解析库

简介

除了正则表达式外，还有其他方便快捷的页面解析工具

如：lxml (xpath语法) bs4 pyquery等

Xpath 全称XML Path Language, 即XML路径语言，是一门在XML文档中查找信息的语言，同样也适用于HTML文档的搜索。

爬虫我们需要抓取的只是某个网站或者应用的一部分内容

结构化先有结构再有数据转化为字典处理(如：json => dict)

非结构化 html 正则 lxml bs4等去解析

安装：

pip install beautifulsoup4 -i https://pypi.doubanio.com/simple

pip install lxml [-i https://pypi.doubanio.com/simple]

Xpath术语

在 XPath 中，有七种类型的节点：元素、属性、文本、命名空间、处理指令、注释以及文档（根）节点。XML 文档是被作为节点树来对待的。树的根被称为文档节点或者根节点。

选取节点

XPath 使用路径表达式在 XML 文档中选取节点。节点是通过沿着路径或者 step 来选取的。

参考网站：

最常用的xpath表达式：

表达式	描述
nodename	选取此节点的所有子节点
/	从当前节点选取直接子节点
//	从当前节点选取子孙节点。从整个文档中搜索，不考虑位置
.	选取当前节点
..	选取当前节点的父节点
@	选取属性
[]	包含某个指定的值/属性的节点 eg: li[1] div[@id="xx"]
text()	获取文本, 返回的是列表
string(pattern)	string()获取某个节点下所有的文本; 若是具体某一个标签, 那么即便是该文档有多个这样的标签, string只会获取第一个标签的文本内容。

 # 获取下一页按钮的链接
 html.xpath('//a[text()="下一页"]/@href')       # 可以实现翻页
 
 # 模糊匹配
 //div[contains(@class, "note")]     # contains方法    包含
 
 # 匹配开头
 starts_with()
 
 # 匹配结尾
 end_with()

演示

 import requests
 from lxml import etree
 
 resp = requests.get('https://image.baidu.com')
 
 html = etree.HTML(resp.text)    # def HTML(text, parser=None, base_url=None):
 
 res = html.xpath("/html/body/div//a/text()")    # / 从跟节点开始匹配到div下a标签的子孙节点下的文本
 html.xpath("//li/a/text()")     # // 代表从文档的任何一个位置(节点)开始
 
 # 注意xpath中位置对象的获取：/li[1]:第一个，li[last()]最后一个，li[last()-1]倒数第二个
 html.xpath("//ul/li[2]/a/@href")
 
 # 选择最后一个li对象的class属性
 print(html.xpath("//ul/li[last()]/@class"))
 
 # string: 获取表达式下的所有文本信息  一定和text的区别
 print(html.xpath("//div/text()"))   # 直接子节点,文本信息
 
 # 若是具体某一个标签, 那么即便是该文档有多个这样的标签, string只会获取第一个标签的文本内容
 print(repr(html.xpath("string(//div/ul/li/a)")))

谓语（Predicates）

谓语用来查找某个特定的节点或者包含某个指定的值的节点。谓语被嵌在方括号中。

实例

路径表达式	结果
/bookstore/book[1]	选取属于 bookstore 子元素的第一个 book 元素。
/bookstore/book[last()]	选取属于 bookstore 子元素的最后一个 book 元素。
/bookstore/book[last()-1]	选取属于 bookstore 子元素的倒数第二个 book 元素。
/bookstore/book[position()<3]	选取最前面的两个属于 bookstore 元素的子元素的 book 元素。
//title[@lang]	选取所有拥有名为 lang 的属性的 title 元素。
//title[@lang='eng']	选取所有 title 元素，且这些元素拥有值为 eng 的 lang 属性。
/bookstore/book[price>35.00]	选取 bookstore 元素的所有 book 元素，且其中的 price 元素的值须大于 35.00。
/bookstore/book[price>35.00]/title	选取 bookstore 元素中的 book 元素的所有 title 元素，且其中的 price 元素的值须大于 35.00。

属性多值匹配【contains()函数】

模糊匹配，只要包含该属性的都会匹配

第一个参数传入属性名称，第二个参数传入属性值

 from lxml import etree
 
 text = """
 <li class='li li-first'><a href='link1.html'>first item</a></li>
 <li class='li li-seconde'><a href='link2.html'>seconde item</a></li>
 """
 html = etree.HTML(text)
 result = html.xpath('//li[contains(@class, "li")]/a/text()')    # 包含class属性 li
 print(result)

xpath还支持运算符，如and or + - 等

 selector.xpath('//input[@id="info" and @name="username"]')
 
 # | 多个表达式匹配；| 代表逻辑或, 当我匹配的时候符合a表达式或b表达式的数据都会匹配
 html.xpath("//li/a[@href='link5.html']/text() | //li/a[@href='link2.html']/text()")

选取未知节点

XPath 通配符可用来选取未知的 XML 元素。

通配符	描述
*	匹配任何元素节点。
@*	匹配任何属性节点。
node()	匹配任何类型的节点。

xpath匹配到会返回一个列表类型，支持索引、切片、遍历

XPath 轴

轴可定义相对于当前节点的节点集。

轴名称	结果
ancestor	选取当前节点的所有先辈（父、祖父等）。
ancestor-or-self	选取当前节点的所有先辈（父、祖父等）以及当前节点本身。
attribute	选取当前节点的所有属性。
child	选取当前节点的所有子元素。
descendant	选取当前节点的所有后代元素（子、孙等）。
descendant-or-self	选取当前节点的所有后代元素（子、孙等）以及当前节点本身。
following	选取文档中当前节点的结束标签之后的所有节点。
namespace	选取当前节点的所有命名空间节点。
parent	选取当前节点的父节点。
preceding	选取文档中当前节点的开始标签之前的所有节点。
preceding-sibling	选取当前节点之前的所有同级节点。
self	选取当前节点。

实例

例子	结果
child::book	选取所有属于当前节点的子元素的 book 节点。
attribute::lang	选取当前节点的 lang 属性。
child::*	选取当前节点的所有子元素。
attribute::*	选取当前节点的所有属性。
child::text()	选取当前节点的所有文本子节点。
child::node()	选取当前节点的所有子节点。
descendant::book	选取当前节点的所有 book 后代。
ancestor::book	选择当前节点的所有 book 先辈。
ancestor-or-self::book	选取当前节点的所有 book 先辈以及当前节点（如果此节点是 book 节点）
child::*/child::price	选取当前节点的所有 price 孙节点。

XPath 运算符

下面列出了可用在 XPath 表达式中的运算符：

运算符	描述	实例	返回值
\|	计算两个节点集	//book \| //cd	返回所有拥有 book 和 cd 元素的节点集
+	加法	6 + 4	10
-	减法	6 - 4	2
*	乘法	6 * 4	24
div	除法	8 div 4	2
=	等于	price=9.80	如果 price 是 9.80，则返回 true。如果 price 是 9.90，则返回 false。
!=	不等于	price!=9.80	如果 price 是 9.90，则返回 true。如果 price 是 9.80，则返回 false。
<	小于	price<9.80	如果 price 是 9.00，则返回 true。如果 price 是 9.90，则返回 false。
<=	小于或等于	price<=9.80	如果 price 是 9.00，则返回 true。如果 price 是 9.90，则返回 false。
>	大于	price>9.80	如果 price 是 9.90，则返回 true。如果 price 是 9.80，则返回 false。
>=	大于或等于	price>=9.80	如果 price 是 9.90，则返回 true。如果 price 是 9.70，则返回 false。
or	或	price=9.80 or price=9.70	如果 price 是 9.80，则返回 true。如果 price 是 9.50，则返回 false。
and	与	price>9.00 and price<9.90	如果 price 是 9.80，则返回 true。如果 price 是 8.50，则返回 false。
mod	计算除法的余数	5 mod 2	1