G
N
I
D
A
O
L

Python爬虫——使用XPath和lxml库解析HTML

目录

在re、bs4、xpath等解析库中，re库运行起来效率最高，但用起来太麻烦；XPath 使用较为方便，而且效率损失不大。因此应某人的需求，本人开始学习 XPath。

0 安装 XPath Helper 插件

image

在 edge 浏览器的“扩展”中，开启“开发者模式”和“允许来自其他应用商店的扩展”，将文件夹《chrome_Xpath_v2.0.2》拖入到“扩展”页面中即可完成安装。

本人设置键盘快捷方式为“Ctrl+Shift+C”，这样每次想用时就可以快速打开这玩意了，再按下“F12”查看代码，就可以开玩 XPath 了。这个插件是真的好用，强烈推荐安装。

1 XPath 语法

1.1 节点

表达式 描述 用法举例 用法举例说明
nodename 选取此节点下的所有节点 div 选取div下的所有标签
// 全局节点（可粗略理解为“绝对路径”） //div 选取整个HTML页面的所有div标签
//nodename// 选取某个节点下的所有节点（包括子节点、子节点的子节点...） //header//div 选取header标签下的所有div标签，不管是不是header标签的第一级节点
/ 选取某个节点下的子节点（可粗略理解为“相对路径”）（只能一级） //div/a 选取div标签下的a标签（而非整个页面的a标签）
@ 选取带有某个属性（attr）的节点 //div[@class] 选取带有class属性的div标签
@ 获取属性的内容 //div/span/@title 选取span标签的属性title的内容
@attr=str 选取带有某个属性（attr）为str的节点 //div[@class="menv"] 选取带有class属性为menv的div标签
. 当前节点下 ./span 当前节点下的span标签

1.2 谓语

表达式 描述 用法举例 用法举例说明
[n] 当选取有多个标签时，可以指定选取第n个标签（注意n从1开始） //div[@class="menv"][2] 选取第二个带有class属性为menv的div标签
[last()] 选取最后一个标签 //div[last()] 选取最后一个div标签
[last()-n] 选取倒数第n个标签 //div[last()-3] 选取倒数第三个div标签
[position()<n] 选取前n个标签 //div[position()❤️] 选取前三个div标签
[element表达式条件] 元素值符合表达式条件的标签 //div[price<35.00] 选取div标签且price元素需小于35.00

2 lxml 库使用实例

lxml 库的作用：将 html 字符串进行解析，供 XPath 语法进行数据提取。

现在我们通过一个实例来初步认知 lxml 的用法，如下为一个 HTML 字符串：

text = \
"""
<ul class="ullist" padding="1" spacing="1">
    <li>
        <div id="top">
            <span class="position" width="350">职位名称</span>
            <span>职位类别</span>
            <span>人数</span>
            <span>地点</span>
            <span>发布时间</span>
        </div>
        <div id="even">
            <span class="l square">
              <a target="_blank" href="position_detail.php?id=33824&amp;keywords=python&amp;tid=87&amp;lid=2218">python开发工程师</a>
            </span>
            <span>技术类</span>
            <span>2</span>
            <span>上海</span>
            <span>2018-10-23</span>
        </div>
        <div id="odd">
            <span class="l square">
              <a target="_blank" href="position_detail.php?id=29938&amp;keywords=python&amp;tid=87&amp;lid=2218">python后端</a>
            </span>
            <span>技术类</span>
            <span>2</span>
            <span>上海</span>
            <span>2018-10-23</span>
        </div>
        <div id="even">
            <span class="l square">
              <a target="_blank" href="position_detail.php?id=31236&amp;keywords=python&amp;tid=87&amp;lid=2218">高级Python开发工程师</a>
            </span>
            <span>技术类</span>
            <span>2</span>
            <span>上海</span>
            <span>2018-10-23</span>
        </div>
        <div id="odd">
            <span class="l square">
              <a target="_blank" href="position_detail.php?id=31235&amp;keywords=python&amp;tid=87&amp;lid=2218">python架构师</a>
            </span>
            <span>技术类</span>
            <span>1</span>
            <span>上海</span>
            <span>2018-10-23</span>
        </div>
        <div id="even">
            <span class="l square">
              <a target="_blank" href="position_detail.php?id=34531&amp;keywords=python&amp;tid=87&amp;lid=2218">Python数据开发工程师</a>
            </span>
            <span>技术类</span>
            <span>1</span>
            <span>上海</span>
            <span>2018-10-23</span>
        </div>
        <div id="odd">
            <span class="l square">
              <a target="_blank" href="position_detail.php?id=34532&amp;keywords=python&amp;tid=87&amp;lid=2218">高级图像算法研发工程师</a>
            </span>
            <span>技术类</span>
            <span>1</span>
            <span>上海</span>
            <span>2018-10-23</span>
        </div>
        <div id="even">
            <span class="l square">
              <a target="_blank" href="position_detail.php?id=31648&amp;keywords=python&amp;tid=87&amp;lid=2218">高级AI开发工程师</a>
            </span>
            <span>技术类</span>
            <span>4</span>
            <span>上海</span>
            <span>2018-10-23</span>
        </div>
        <div id="odd">
            <span class="l square">
              <a target="_blank" href="position_detail.php?id=32218&amp;keywords=python&amp;tid=87&amp;lid=2218">后台开发工程师</a>
            </span>
            <span>技术类</span>
            <span>1</span>
            <span>上海</span>
            <span>2018-10-23</span>
        </div>
        <div id="even">
            <span class="l square">
              <a target="_blank" href="position_detail.php?id=32217&amp;keywords=python&amp;tid=87&amp;lid=2218">Python开发（自动化运维方向）</a>
            </span>
            <span>技术类</span>
            <span>1</span>
            <span>上海</span>
            <span>2018-10-23</span>
        </div>
        <div id="odd">
            <span class="l square">
              <a target="_blank" href="position_detail.php?id=34511&amp;keywords=python&amp;tid=87&amp;lid=2218">Python数据挖掘讲师 </a>
            </span>
            <span>技术类</span>
            <span>1</span>
            <span>上海</span>
            <span>2018-10-23</span>
        </div>
    </li>
</ul>
"""

2.1 解析字符串为 HTML

这一步的操作是将字符串转化为可识别的 HTML，并且还会进行“查缺补漏”，修复不规范标签。

from lxml import etree

'''
0. 解析字符串为 HTML
'''
html = etree.HTML(text)

2.2 获取 div 标签

XPath 表达式：//div

'''
1. 获取 div 标签
'''
# 获取 div 标签，div1 是一个列表
div1 = html.xpath('//div')
# 列表遍历，转化为字符串输出
for div in div1:
    d = etree.tostring(div, encoding='utf-8').decode('utf-8')
    print(d)
    print('*' * 50)

注意 1：div1 是一个列表，因此需要使用 for 对其进行访问遍历。

注意 2：若转化字符串和解析 HTML 时不用 utf8，则默认为 byte 流数据。

输出结果：

<div id="top">
            <span class="position" width="350">职位名称</span>
            <span>职位类别</span>
            <span>人数</span>
            <span>地点</span>
            <span>发布时间</span>
        </div>
        
**************************************************
<div id="even">
            <span class="l square">
              <a target="_blank" href="position_detail.php?id=33824&amp;keywords=python&amp;tid=87&amp;lid=2218">python开发工程师</a>
            </span>
            <span>技术类</span>
            <span>2</span>
            <span>上海</span>
            <span>2018-10-23</span>
        </div>
        
**************************************************
<div id="odd">
            <span class="l square">
              <a target="_blank" href="position_detail.php?id=29938&amp;keywords=python&amp;tid=87&amp;lid=2218">python后端</a>
            </span>
            <span>技术类</span>
            <span>2</span>
            <span>上海</span>
            <span>2018-10-23</span>
        </div>
        
**************************************************

（后面结果省略）

2.3 获取某个指定的 div 标签

假设我们想要获取第 1 个 div 标签，那么 XPath 表达式：//div[1]

'''
2. 获取某个指定的 div 标签
'''
# div2 是一个列表
div2 = html.xpath('//div[1]')[0]
DIV2 = etree.tostring(div2, encoding='utf-8').decode('utf-8')
print(DIV2)

注意：div2 依然是一个列表，而且是只有一个元素的列表，存放了第一个 div 标签。

输出结果：

<div id="top">
            <span class="position" width="350">职位名称</span>
            <span>职位类别</span>
            <span>人数</span>
            <span>地点</span>
            <span>发布时间</span>
        </div>

2.4 获取属性为 id='even' 的 div 标签

XPath 表达式：//div[@id="even"]

'''
3. 获取属性为 id='even' 的 div 标签
'''
# div3 是一个列表
div3 = html.xpath('//div[@id="even"]')
# 列表遍历，转化为字符串输出
for div in div3:
    d = etree.tostring(div, encoding='utf-8').decode('utf-8')
    print(d)
    print('*' * 50)

输出结果：

<div id="even">
            <span class="l square">
              <a target="_blank" href="position_detail.php?id=33824&amp;keywords=python&amp;tid=87&amp;lid=2218">python开发工程师</a>
            </span>
            <span>技术类</span>
            <span>2</span>
            <span>上海</span>
            <span>2018-10-23</span>
        </div>
        
**************************************************
<div id="even">
            <span class="l square">
              <a target="_blank" href="position_detail.php?id=31236&amp;keywords=python&amp;tid=87&amp;lid=2218">高级Python开发工程师</a>
            </span>
            <span>技术类</span>
            <span>2</span>
            <span>上海</span>
            <span>2018-10-23</span>
        </div>
        
**************************************************
<div id="even">
            <span class="l square">
              <a target="_blank" href="position_detail.php?id=34531&amp;keywords=python&amp;tid=87&amp;lid=2218">Python数据开发工程师</a>
            </span>
            <span>技术类</span>
            <span>1</span>
            <span>上海</span>
            <span>2018-10-23</span>
        </div>
        
**************************************************
<div id="even">
            <span class="l square">
              <a target="_blank" href="position_detail.php?id=31648&amp;keywords=python&amp;tid=87&amp;lid=2218">高级AI开发工程师</a>
            </span>
            <span>技术类</span>
            <span>4</span>
            <span>上海</span>
            <span>2018-10-23</span>
        </div>
        
**************************************************
<div id="even">
            <span class="l square">
              <a target="_blank" href="position_detail.php?id=32217&amp;keywords=python&amp;tid=87&amp;lid=2218">Python开发（自动化运维方向）</a>
            </span>
            <span>技术类</span>
            <span>1</span>
            <span>上海</span>
            <span>2018-10-23</span>
        </div>
        
**************************************************

2.5 获取标签下的属性值

2.5.1 初步想法

XPath 表达式：//div/@id 和 //a/@href

'''
4. 获取标签下的属性值
'''
# div4 是一个列表
div4 = html.xpath('//div/@id')
print(div4)

# hrefs 是一个列表
hrefs = html.xpath('//a/@href')
print(hrefs)

输出结果：

['top', 'even', 'odd', 'even', 'odd', 'even', 'odd', 'even', 'odd', 'even', 'odd']
['position_detail.php?id=33824&keywords=python&tid=87&lid=2218', 'position_detail.php?id=29938&keywords=python&tid=87&lid=2218', 'position_detail.php?id=31236&keywords=python&tid=87&lid=2218', 'position_detail.php?id=31235&keywords=python&tid=87&lid=2218', 'position_detail.php?id=34531&keywords=python&tid=87&lid=2218', 'position_detail.php?id=34532&keywords=python&tid=87&lid=2218', 'position_detail.php?id=31648&keywords=python&tid=87&lid=2218', 'position_detail.php?id=32218&keywords=python&tid=87&lid=2218', 'position_detail.php?id=32217&keywords=python&tid=87&lid=2218', 'position_detail.php?id=34511&keywords=python&tid=87&lid=2218']

2.5.2 改进程序

很多时候，在获取属性时，我们不想要这样一个长长的列表（因为处理起来有点麻烦），如果我们需要获取一个 url 字符串，那该怎么办呢？

观察 HTML，发现 a 标签都在 div 标签里。我们可以先获取 div 标签（这样就会得到一个 div 列表），遍历这个列表，再在里面获取 a 标签，这样就可以分离出每一个 url 了。

先选取 div 标签：//div（得到一个许多元素的列表）

然后在以上基础选取 a 标签：.//a/@href（得到多个元素只有一个的列表）

注意：.表示上一个路径，意思是在 div
标签下进行全局选取。如果直接写成//a/@href，意思是在整个页面下进行全局选取 a 标签。

# div4 是一个列表，从元素 1 开始取
div4 = html.xpath("//div")[1:]
for div in div4:
    url = div.xpath(".//a/@href")
    print(url)

输出结果：

['position_detail.php?id=33824&keywords=python&tid=87&lid=2218']
['position_detail.php?id=29938&keywords=python&tid=87&lid=2218']
['position_detail.php?id=31236&keywords=python&tid=87&lid=2218']
['position_detail.php?id=31235&keywords=python&tid=87&lid=2218']
['position_detail.php?id=34531&keywords=python&tid=87&lid=2218']
['position_detail.php?id=34532&keywords=python&tid=87&lid=2218']
['position_detail.php?id=31648&keywords=python&tid=87&lid=2218']
['position_detail.php?id=32218&keywords=python&tid=87&lid=2218']
['position_detail.php?id=32217&keywords=python&tid=87&lid=2218']
['position_detail.php?id=34511&keywords=python&tid=87&lid=2218']

这时我们得到的是许多列表，但是每个列表只有一个元素（字符串），处理起来方便多了。所以可以继续改进，url 列表获取 0 号元素，直接得到字符串：

# div4 是一个列表，从元素 1 开始取
div4 = html.xpath("//div")[1:]
for div in div4:
    url = div.xpath(".//a/@href")[0]
    print(url)

输出结果：

position_detail.php?id=33824&keywords=python&tid=87&lid=2218
position_detail.php?id=29938&keywords=python&tid=87&lid=2218
position_detail.php?id=31236&keywords=python&tid=87&lid=2218
position_detail.php?id=31235&keywords=python&tid=87&lid=2218
position_detail.php?id=34531&keywords=python&tid=87&lid=2218
position_detail.php?id=34532&keywords=python&tid=87&lid=2218
position_detail.php?id=31648&keywords=python&tid=87&lid=2218
position_detail.php?id=32218&keywords=python&tid=87&lid=2218
position_detail.php?id=32217&keywords=python&tid=87&lid=2218
position_detail.php?id=34511&keywords=python&tid=87&lid=2218

2.6 获取标签下的文本信息

假设我们想要获取 a 标签下的文本信息，那么：

先选取 div 标签：//div（得到一个许多元素的列表）

然后在以上基础选取 a 标签的文本信息：.//a/text()（得到多个元素只有一个的列表）

'''
5. 获取标签下的文本
'''
# div5 是一个列表，从元素 1 开始取
div5 = html.xpath("//div")[1:]
for div in div5:
    work = div.xpath(".//a/text()")[0]
    print(work)

输出结果：

python开发工程师
python后端
高级Python开发工程师
python架构师
Python数据开发工程师
高级图像算法研发工程师
高级AI开发工程师
后台开发工程师
Python开发（自动化运维方向）
Python数据挖掘讲师

写在后面

搞了一晚上和一个白天，因为使用 PyCharm 调用 lxml 库时输出的结果完全不符合预期，今天重装了一次 lxml 库后居然恢复正常了，一直没有搞懂是怎么回事......

暂时就写这么多吧。

---EOF---
posted @ 2022-05-30 13:14  漫舞八月（Mount256）  阅读(297)  评论(0)  编辑  收藏  举报