lxml模块(应用xpath技术)

一、lxml介绍

　　第三方库lxml是第一款表现出高性能特征的python xml库，天生支持Xpath1.0、XSLT1.0、定制元素类，甚至python风格的数据绑定接口。lxml是通过Cpython实现的，构建在两个C库上（libxml2和libxslt），为执行解析、序列化、转换等核心任务提供了主要动力，是爬虫处理网页数据的一件利器。

　　lxml对xml和html都有很好的支持，分别使用 lxml.etree 和 lxml.html 两个模块。

1、安装第三方lxml模块

# 通过pip直接下载安装

pip install lxml

# 通过git克隆源码进行下载安装

git clone https://github.com/lxml/lxml.git   lxml

2、lxml.html和lxml.etree模块

　　lxml.html&lxml.etree这两个模块是最常用的HTML文档和XML文档解析模块。

　　HTML(HyperText Markup Language)超文本标记语言。

　　XML(Extensible Markup Language)可扩展标记语言。

3、lxml官方文档

　　lxml

二、Xpath语法

1、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。常用的路径表达式如下：

表达式	描述
nodename	选取此节点的所有子节点
/	从根节点选取
//	从匹配选择的当前节点选择文档的节点，而不考虑它们的位置
.	选取当前节点
..	选取当前节点的父节点
@	选取属性

　　下面为一些路径表达式及表达式结果：

路径表达式	结果
bookstore	选取 bookstore 元素的所有子节点
/bookstore	选取根元素 bookstore。注释：假如路径起始于正斜杠( / )，则此路径始终代表到某元素的绝对路径！
bookstore/book	选取属于 bookstore 的子元素的所有 book 元素
//book	选取所有 book 子元素，而不管它们在文档中的位置。
bookstore//book	选择属于 bookstore 元素的后代的所有 book 元素，而不管它们位于 bookstore 之下的什么位置。
//@lang	选取名为 lang 的所有属性。

2、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。

　　下面为一些带有谓语的路径表达式，及表达式结果：

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()❤️]	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。

3、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

　　下面为一些带有通配符的路径表达式，及表达式结果：

路径表达式	结果
/bookstore/*	选取 bookstore 元素的所有子元素。
//*	选取文档中的所有元素。
//title[@*]	选取文档中的所有元素。

4、选取若干路径

　　通过在路径表达式中使用“|”运算符，您可以选取若干个路径。

下面为一些带有"|"运算符的路径表达式，及表达式结果：

路径表达式	结果
//book/title	//book/price
//title	//price
/bookstore/book/title	//price

5、Xpath运算符

　　下面列出了可用再XPath表达式中运算符：

运算符	描述	实例	返回值
		计算两个节点集	//book
+	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

6、参考文档

scrapy xpath文档

三、爬虫中运用XPath

1、XPath在爬虫中的使用流程

下载：pip install lxml
导包：from lxml import etree
创建etree对象进行指定数据的解析
- 本地：

etree=etree.parse('本地文件路径')

etree.xpath('xpath表达式')

- 网络：

etree=etree.HTML('网络请求到的页面数据')

etree.xpath('xpath表达式')

2、常用的Xpath表达式

属性定位：

    #找到class属性值为song的div标签

    //div[@class="song"]

层级&索引定位：

    #找到class属性值为tang的div的直系子标签ul下的第二个子标签li下的直系子标签a

    //div[@class="tang"]/ul/li[2]/a

逻辑运算：

    #找到href属性值为空且class属性值为du的a标签

    //a[@href="" and @class="du"]

模糊匹配：

    //div[contains(@class, "ng")]

    //div[starts-with(@class, "ta")]

取文本：

    # /表示获取某个标签下的文本内容

    # //表示获取某个标签下的文本内容和所有子标签下的文本内容

    //div[@class="song"]/p[1]/text()

    //div[@class="tang"]//text()

取属性：

    //div[@class="tang"]//li[2]/a/@href

3、使用示例

　　创建本地html文件来测试Xpath数据解析。

（1）test.html

<html lang="en">

<head>

	<meta charset="UTF-8" />

	<title>测试bs4</title>

</head>

<body>

	<div>

		<p>百里守约</p>

	</div>

	<div class="song">

		<p>李清照</p>

		<p>王安石</p>

		<p>苏轼</p>

		<p>柳宗元</p>

		<a href="http://www.song.com/" title="赵匡胤" target="_self">

			<span>this is span</span>

		宋朝是最强大的王朝，不是军队的强大，而是经济很强大，国民都很有钱</a>

		<a href="" class="du">总为浮云能蔽日,长安不见使人愁</a>

		<img src="http://www.baidu.com/meinv.jpg" alt="" />

	</div>

	<div class="tang">

		<ul>

			<li><a href="http://www.baidu.com" title="qing">清明时节雨纷纷,路上行人欲断魂,借问酒家何处有,牧童遥指杏花村</a></li>

			<li><a href="http://www.163.com" title="qin">秦时明月汉时关,万里长征人未还,但使龙城飞将在,不教胡马度阴山</a></li>

			<li><a href="http://www.126.com" alt="qi">岐王宅里寻常见,崔九堂前几度闻,正是江南好风景,落花时节又逢君</a></li>

			<li><a href="http://www.sina.com" class="du">杜甫</a></li>

			<li><a href="http://www.dudu.com" class="du">杜牧</a></li>

			<li><b>杜小月</b></li>

			<li><i>度蜜月</i></li>

			<li><a href="http://www.haha.com" id="feng">凤凰台上凤凰游,凤去台空江自流,吴宫花草埋幽径,晋代衣冠成古丘</a></li>

		</ul>

	</div>

</body>

</html>

（2）爬虫脚本文件test.py

from lxml import etree

# 创建etree对象进行制定数据解析

tree = etree.parse('./test.html')    # 解析本地文件

# 属性定位：根据指定的属性定位到指定的节点标签

# tree.xpath('//div[@class="song"]')

"""

[<Element div at 0x10dbead88>]

"""

# 层级&索引定位

# tree.xpath('//div[@class="tang"]/ul/li[2]/a')  # 定位到第二个li中的a标签

"""

[<Element a at 0x10e30ab48>]

"""

# 逻辑定位  //a:整个源码下的a标签

# [@href="" and @class="du"] href为空，class属性为du

# tree.xpath('//a[@href="" and @class="du"]')

"""

[<Element a at 0x10e2a8e88>]

"""

# 模糊匹配

# tree.xpath('//div[contains(@class, "ng")]')

# tree.xpath('//div[starts-with(@class, "ta")]')

"""

[<Element div at 0x10dbea548>, <Element div at 0x10e392348>]

[<Element div at 0x10dabd688>]

"""

# 取文本

# /text()获取当前标签中直系存储的文本数据

# tree.xpath('//div[@class="song"]/p[1]/text()')    # song的div下的第一个p子标签

# 输出：['李清照']

# //text()获取tang这个div标签下所有子标签中存储的文本数据

# tree.xpath('//div[@class="tang"]//text()')

"""

['\n\t\t',

 '\n\t\t\t',

 '清明时节雨纷纷,路上行人欲断魂,借问酒家何处有,牧童遥指杏花村',

 '\n\t\t\t',

 '秦时明月汉时关,万里长征人未还,但使龙城飞将在,不教胡马度阴山',

 '\n\t\t\t',

 '岐王宅里寻常见,崔九堂前几度闻,正是江南好风景,落花时节又逢君',

 '\n\t\t\t',

 '杜甫',

 '\n\t\t\t',

 '杜牧',

 '\n\t\t\t',

 '杜小月',

 '\n\t\t\t',

 '度蜜月',

 '\n\t\t\t',

 '凤凰台上凤凰游,凤去台空江自流,吴宫花草埋幽径,晋代衣冠成古丘',

 '\n\t\t',

 '\n\t']

"""

# 取属性

tree.xpath('//div[@class="tang"]//li[2]/a/@href')  # 指定a标签对应的href的值

"""

['http://www.163.com']

"""

四、XPath插件

　　xpath插件的作用：可以直接将xpath表达式作用于浏览器的网页当中。

1、chrome安装xpath插件

（1）更多工具-》扩展程序-》开启右上角开发者模式

（2）将xpath插件拖动到谷歌浏览器拓展程序（更多工具）中，安装成功

2、插件使用

　　开启和关闭xpath插件的快捷键：Ctrl-Shift-X (or Control-Shift-X on OS X), or click the XPath Helper button in the toolbar, to open the XPath Helper console。

　　以糗事百科为例使用插件：

　　右边方框输出的是xpath表达式输出的结果，这里输出的是div对应的数据值。

　　使用完再次点击Control-Shift-X来关闭xpath插件。未来在程序中设计好xpath表达式之后，一定要用xpath插件做一下表达式的验证。

五、xpath项目演练

　　需求：使用xpath对段子网中的段子内容和标题进行解析，持久化存储。

　　段子网地址

1、先用xpath插件验证xpath表达式

　　可用如下xpath表达式获取所有的li标签，段子内容和标题都被包含在li标签中。

2、爬虫代码实现

import requests

from lxml import etree

# 1.指定url

url = 'https://ishuo.cn/joke'

# 2.发起请求

headers = {

    'user-agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_13_1) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/70.0.3538.77 Safari/537.36'

}

response = requests.get(url=url, headers=headers)

# 3.获取页面内容

page_text = response.text

# 4.数据解析

tree = etree.HTML(page_text)

# 获取所有的li标签（已经经过了xpath插件验证）

li_list = tree.xpath('//div[@id="list"]/ul/li')

# print(li_list)

'''

[<Element li at 0x10e32c248>, <Element li at 0x10e30ae88>,...,<Element li at 0x10ef5bfc8>]

# 注意：Element类型的对象可以继续调用xpath函数，对该对象表示的局部内容进行指定内容的解析

'''

fp = open('./duanzi.txt', 'w', encoding='utf-8')  # 一次打开多次写入

for li in li_list:

    content = li.xpath('./div[@class="content"]/text()')[0]  # 调用text()函数取得段子内容

    title = li.xpath('./div[@class="info"]/a/text()')[0]   # 获得a标签文本内容

    # 5.持久化

    fp.write(title + ":" + content + "\n\n")  # 段子换行分隔

    print("一条数据写入成功")

（1）li标签内部结构

<li class="list_li xh-highlight">

    <div class="content">有位非常漂亮的女同事，有天起晚了没有时间化妆便急忙冲到公司。结果那天她被记旷工了……吃惊]</div>

    <div class="info">

        <span class="right tags">...</span>

        <a href="/subject/5898">这个笑话好内涵，你懂了没？</a>

        04月29日0个评论 0人喜欢

    </div>

</li>

（2）Element类型对象

　　Element类型的对象可以继续调用xpath函数，对该对象表示的局部内容进行指定内容的解析。

　　只要是通过xpath表达式解析出来的标签类型的对象，对象类型一定是element类型。

tree = etree.HTML(page_text)

# 获取所有的li标签（已经经过了xpath插件验证）

li_list = tree.xpath('//div[@id="list"]/ul/li')

# print(li_list)

"""

[<Element li at 0x10e32c248>, <Element li at 0x10e30ae88>,...,<Element li at 0x10ef5bfc8>]

# 注意：Element类型的对象可以继续调用xpath函数，对该对象表示的局部内容进行指定内容的解析

"""

for li in li_list:

    content = li.xpath('./div[@class="content"]/text()')[0]  # 调用text()函数取得段子内容

    title = li.xpath('./div[@class="info"]/a/text()')[0]   # 获得a标签文本内容——标题

（3）duanzi.txt文件写入效果