五：爬虫-数据解析之xpath解析
五：数据解析之xpath解析
1.xpath介绍：
-
xpath是XML路径语言，它可以用来确定xml文档中的元素位置，通过元素路径来完成对元素的查找，HTML就是XML的一种实现方式，所以xpath是一种非常强大的定位方式 -
XPath（XML Path Language）是一种XML的查询语言，它能在XML树状图中寻找节点。XPath用于在XML文档中通过元素和属性进行导航 -
xml是一种标记语法的文本格式，xpath可以方便的定位xml中的元素和其中的属性值。lxml是Python中的一个第三方模块，它包含了将html文本转成xml对象，和对对象执行xpath的功能
lxml的安装：
#在终端输入
pip install lxml
xpath的弊端：
当我们在批量获取数据的时候，如果存在的特别数据比较多，这个时候只用xpath的话，会无法满足用户的需求，所以针对于不同的网页，我们要灵活的去运用我们的数据解析方式
（1）HTML树状结构图：
HTML 的结构就是树形结构，HTML 是根节点，所有的其它元素节点都是从根节点发出的，其它的元素都是这棵树上的节点，每个节点还可能有属性和文本值，而路径就是指某个节点到另一个节点的路线
（2）节点之间的关系：
- 父节点：
HTML是 body 和head节点的父节点 - 子节点：
head和body是HTML的子节点 - 兄弟节点：拥有相同的父节点，
head和body就是兄弟节点，title和div不是兄弟，因为他们不是同一个父节点 - 祖先节点：
body是form的祖先节点，爷爷辈及以上 - 后代节点：
form是HTML的后代节点，孙子辈及以下
2.Xpath中的绝对路径与相对路径 ：
Xpath中的绝对路径是从HTML根节点开始算的；而相对路径（使用的更多）则是从任意节点开始的。通过开发者工具，我们可以拷贝到Xpath的绝对路径和相对路径代码：
注意： 绝对路径是以 Elements 为基准去寻找的，我们爬虫获取的是右键的网页源代码；右键的网页源代码 ！= Elements，Elements 是前端页面最终渲染的结果，它与网页源代码是有属性上的差异的；但右键的网页源代码与Elements是非常相似的，但是在某些元素或者元素属性上会存在不同。这就会导致我们直接右键复制的xpath获取不到真正的数据；所以说只能手写，不能复制（把数据解析全部学会之后，可以复制，因为到那个时候就有能力对复制到的内容进行微调了）
（1）绝对路径（了解即可）：
在Xpath中最直观的定位策略就是绝对路径，绝对路径是从根节点/html开始往下一层层的表示，直到出来需要的节点为止
（2）相对路径（常用）：
在Xpath中相对路径方法以 “//” 开头，相对路径可以从任意的节点开始，一般会选取一个可以唯一定位到的元素开始写，这样可以增加查找的准确性
相对路径的定位语法：
（1）基本定位语法：
| 表达式 | 说明 | 举例 |
|---|---|---|
/ | 从根节点开始选取 | /html/div/span |
// | 从任意节点开始选取 | //input |
. | 选取当前节点 | |
.. | 选取当前节点的父节点 | //input/.. 选取input的父节点 |
@ | 选取属性或者根据属性选取 | //input[@data]选取具备data属性的input元素 //@data 选取所有data属性 |
* | 通配符，表示任意节点或任意属性 |
（2）元素属性定位：
（3）层级属性结合定位：
遇到某些元素无法精确定位的时候，可以查找其父级及其祖先节点，找到有确定的祖先节点后通过层级依次向下定位
示例：
<!DOCTYPE html>
<html lang="en">
<head>
<meta charset="UTF-8">
<title>Title</title>
</head>
<body>
<form action="search" id="form" method="post">
<span class="bg">
<span class="soutu">搜索</span>
</span>
<span class="soutu">
<input type="text" name="key" id="su">
</span>
<div></div>
</form>
</body>
</html>
图片解析：
（4）使用谓语定位：
谓语是Xpath中用于描述元素位置，主要有数字下标、最后一个子元素last()、元素下标函数position()
注意： Xpath中的下标从 1 开始
图片解析：
1、使用下标的方式,从form找到input:
//form[@id="form"]/span[2]/input
2、查找最后一个子元素,选取form下的最后一个span:
//form[@id="form"]/span[last()]
3、查找倒数第几个子元素,选取 form下的倒数第二个span:
//form[@id="form"]/span[last()-1]
4、使用 position() 函数,选取 from 下第二个span:
//form[@id="form"]/span[position()=2]
5、使用 position() 函数,选取下标大于 2 的span:
//form[@id="form"]/span[position()>2]
（5）使用逻辑运算符定位：
用于嵌套的标签，如果元素的某个属性无法精确定位到这个元素，还可以用逻辑运算符and连接多个属性进行定位
以百度首页为例：
使用and:
//*[@name='wd' and @class='s_ipt']
#查找 name 属性为 wd 并且 class 属性为 s_ipt 的任意元素
使用or:
//*[@name='wd' or @class='s_ipt']
#查找 name 属性为 wd 或者 class 属性为 s_ipt 的任意元素，取其中之一满足即可
以上述示例代码为例：
使用|同时查找多个路径,取或：
//form[@id="form"]//span | //form[@id="form"]//input
（6）使用文本定位：
我们在爬取网站使用Xpath提取数据的时候，最常使用的就是Xpath的text()方法，该方法可以提取当前元素的信息，但是某些元素下包含很多嵌套元素，这时候就用到了string()方法
爬取别逗了网站示例代码：
import requests
from lxml import etree
url = 'https://www.biedoul.com/article/180839'
headers= {
'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/112.0.0.0 Safari/537.36'
}
response = requests.get(url,headers=headers)
response.encoding = 'utf-8' # 在requests.get的时候，会默认指定一个编码，但默认指定的编码不一定会是utf-8，是随机的
# 将获取的网页源代码html文件转换成xml对象，方便后续执行xpath语法
html = etree.HTML(response.text)
data = html.xpath('//div[@class="cc2"]//text()') # //text()指的是取标签中的文本值，不是属性值
# print(data)
#
# data = [i.replace('\r\n','') for i in data]
# print('\n'.join(data))
data1 = html.xpath('//div[@class="cc2"]')[0].xpath('string(.)')
print(data1)
注意： xpath对象获取的数据返回的是一个列表
（7）使用部分匹配函数：
| 函数 | 说明 | 示例 |
|---|---|---|
contains | 选取属性或者文本包含某些字符 | //div[contains(@id, 'data')]选取id属性包含data的div元素 |
starts-with | 选取属性或者文本以某些字符开头 | //div[starts-with(@id, 'data')]选取id属性以data开头的div元素 |
ends-with | 选取属性或者文本以某些字符结尾 | //div[ends-with(@id, 'require')]选取id属性以require结尾的div元素 |
3.lxml的使用与xpath实战：
（1）lxml的基本使用：
# 导入模块
from lxml import etree
# html源代码
web_data = """
<div>
<ul>
<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">fourth item</a></li>
<li class="item-0"><a href="link5.html">fifth item</a>
</ul>
</div>
"""
# 将html转成xml对象
element = etree.HTML(web_data)
# print(element)
# 获取li标签下面的a标签的href
links = element.xpath('//ul/li/a/@href')
print(links) # 列表
# 获取li标签下面的a标签的文本数据
result = element.xpath('//ul/li/a/text()')
print(result)
（2）xpath实战 – 豆瓣top250示例代码：
import requests
from lxml import etree
'''
目标:熟悉xpath解析数的方式
需求:爬取电影的名称 评分 引言 详情页的url 翻页爬取1-10页 保存到列表中
如何实现?
设计技术与需要的库 requests lxml(etree)
实现步骤
1 页面分析(一般讲数据解析模块 都是静态页面)
1.1 通过观察看网页源代码中是否有我们想要的数据 如果有就分析这个url
如果没有再通过ajax寻找接口 通过分析数据在网页源代码中
1.2 确定目标url
https://movie.douban.com/top250?start=0&filter= 第一页
通过页面分析发现所有我们想要的数据都在一个div[class="info"]里面
具体实现步骤
1 获取整个网页的源码 html
2 将获取的数据源码转成一个element对象(xml)
3 通过element对象实现xpath语法 对数据进行爬取(标题 评分 引言 详情页的url)
4 保存数据 先保存到字典中-->列表中
'''
# 定义一个函数用来获取网页源代码
def getsource(pagelink):
# 请求头
headers = {
'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/103.0.0.0 Safari/537.36'
}
# 获取源码
response = requests.get(pagelink, headers=headers)
response.encoding = 'utf-8'
html = response.text
return html
# 定义一个函数用于解析我们的网页源代码并获取我们想要的数据
def geteveryitem(html):
element = etree.HTML(html)
# 拿到[class="info"]的所有div
movieitemlist = element.xpath('//li//div[@class="info"]')
# print(movieitemlist,len(movieitemlist))
# 定义一个列表
itemlist = []
for item in movieitemlist:
# 定义一个字典
itemdict = {}
# 标题
title = item.xpath('./div[@class="hd"]/a/span[@class="title"]/text()')
title = "".join(title).replace("\xa0", "")
# print(title)
# 副标题
othertitle = item.xpath('./div[@class="hd"]/a/span[@class="other"]/text()')[0].replace("\xa0", "")
# print(othertitle)
# 评分
grade = item.xpath('./div[@class="bd"]/div[@class="star"]/span[2]/text()')[0]
# print(grade)
# 详情页的url
link = item.xpath('div[@class="hd"]/a/@href')[0]
# print(link)
# 引言
quote = item.xpath('div[@class="bd"]/p[@class="quote"]/span/text()')
# print(quote)
# list index out of range
# 处理方式1 非空处理
if quote:
quote = quote[0]
else:
quote = ""
# 将数据存放到字典中
itemdict['title'] = ''.join(title + othertitle)
itemdict['grade'] = grade
itemdict['link'] = link
itemdict['quote'] = quote
# print(itemdict)
itemlist.append(itemdict)
# print(itemlist)
return itemlist
if __name__ == '__main__':
url = 'https://movie.douban.com/top250?start=0&filter='
html = getsource(url)
itemlist = geteveryitem(html)
print(itemlist)
dict['quote'] = quote
# print(itemdict)
itemlist.append(itemdict)
# print(itemlist)
return itemlist
if __name__ == '__main__':
url = 'https://movie.douban.com/top250?start=0&filter='
html = getsource(url)
itemlist = geteveryitem(html)
print(itemlist)