python--爬虫（XPath与BeautifulSoup4）
获取页面内容除使用正则意外，还可以使用XPath，其原理是将html代码转换为xml格式，然后使用XPath查找html节点或元素。
选取节点
XPath使用路径表达式来选取XML文档中的节点或节点集。
常用的路径表达式见下表：
| 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中的节点，不考虑其是否为子级 |
| . | 选取当前节点 |
| .. | 选取当前节点的父节点 |
| @ | 选取属性 |
谓语
谓语用来查找某个特定的节点或者包含某个指定的值得节点，被嵌在方括号中。
| 路径表达式 | 释义 |
|---|---|
| /one/two[1] | 选取属于one子元素的第一个two元素 |
| /one/two[last()] | 选取属于one子元素的最后一个two元素 |
| /one/two[last()-1] | 选取属于one子元素的倒数第二个two元素 |
| /one/two[position()❤️] | 选取最前面的两个属于one元素的子元素two元素 |
| //one[@lang] | 选取所有拥有名为lang的属性的one元素 |
| //one[@lang='test'] | 选取所有拥有值为test的lang属性的one元素 |
| /one/two[position>10] | 选取one元素的所有two元素，且其中position属性的值大于10 |
选取未知节点
| 通配符 | 描述 |
|---|---|
| * | 匹配如何元素节点 |
| @* | 匹配任何属性节点 |
| node() | 匹配任何类型节点 |
例：
| 路径表达式 | 结果 |
|---|---|
| /one/* | 选取one中所有的子元素 |
| //* | 选取文档中的所有元素 |
| //one[@*] | 选取所有带有属性的one元素 |
选取若干路径
可以使用管道符“|”选取若干个路径，相当于或
XPath运算符
| 运算符 | 描述 |
|---|---|
| + | 加法 |
| - | 减法 |
| * | 乘法 |
| div | 除法 |
| = | 等于 |
| != | 不等于 |
| < | 小于 |
| <= | 小于或等于 |
| > | 大于 |
| >= | 大于或等于 |
| or | 或 |
| and | 与 |
| mod | 计算余数 |
XPath的使用
from lxml.html import etree
# 获取到的要匹配的html字符串
html = ''
content = etree.HTML(html)
# 返回所有匹配成功的列表集合
res = content.xpath('表达式')
BeautifulSoup4的使用
和 lxml 一样，Beautiful Soup 也是一个HTML/XML的解析器，主要的功能也是如何解析和提取 HTML/XML 数据。
想使用BeautifulSoup4首先需要安装，执行pip install beautifulsoup4安装，BeautifulSoup4的使用方法如下
from bs4 import BeautifulSoup
html = """
<html><head><title>The Dormouse's story</title></head>
<body>
<p class="title" name="dromouse"><b>The Dormouse's story</b></p>
<p class="story">Once upon a time there were three little sisters; and their names were
<a href="http://example.com/elsie" class="sister" id="link1"><!-- Elsie --></a>,
<a href="http://example.com/lacie" class="sister" id="link2">Lacie</a> and
<a href="http://example.com/tillie" class="sister" id="link3">Tillie</a>;
and they lived at the bottom of a well.</p>
<p class="story">...</p>
"""
soup = BeautifulSoup(html, 'lxml')
# 打开本地Html文件创建对象
# soup = BeautifulSoup(open('xxx.html'))
print(soup.prettify())
# 获取标签
soup.title # 获取title
soup.p # 获取p标签
soup.a # 获取a标签
print(soup.name)
# [document] #soup 对象本身比较特殊，它的 name 即为 [document]
print(soup.head.name)
# head #对于其他内部标签，输出的值便为标签本身的名称
print(soup.p.attrs)
# {'class': ['title'], 'name': 'dromouse'}
# 在这里，我们把 p 标签的所有属性打印输出了出来，得到的类型是一个字典。
print(soup.p['class']) # soup.p.get('class')
# ['title'] #还可以利用get方法，传入属性的名称，二者是等价的
soup(p['class']) = "newClass"
print(soup.p) # 可以对这些属性和内容等等进行修改
# <p class="newClass" name="dromouse"><b>The Dormouse's story</b></p>
del(soup.p['class']) # 还可以对这个属性进行删除
print (soup.p)
# <p name="dromouse"><b>The Dormouse's story</b></p>
# 获取标签内文字
print(soup.p.string)
# tag 的 .content 属性可以将tag的子节点以列表的方式输出
print(soup.head.contents) # [<title>The Dormouse's story</title>]
# .children它返回的不是一个 list（是一个列表生成器），不过我们可以通过遍历获取所有子节点。
print(soup.head.children) # <list_iterator object at 0x000002B9D7E4CFD0>
# .descendants 获取所有子孙节点
print(soup.descendants) # 结果是一个生成器 <generator object Tag.descendants at 0x0000020AAC5B1B10>
BeautifulSoup4的搜索
# 使用find_all(name, attrs, recursive, text, **kwargs)查找
# 传入name参数
soup.find_all('p') # 查找所有p标签
soup.find_all('a') # 查找所有a标签
soup.find_all(re.compile('^p')) # 使用正则查找所有以p打头的标签
soup.find_all(['p', 'a']) # 传入列表，查找所有p和a标签
# 传入attrs参数
soup.find_all(id='link1') # 查找所有id未link1的标签，通过标签属性查找的方式适用大多数标签属性，包括id，style，title，但有 “-”，Class标签属性例外。
soup.find_all(attrs={'class': 'sister'})
# 传入text参数
soup.find_all(text="Lacie") # 产找所有含有内容为Lacie的对象
soup.find_all(text=['aaa', 'bbb'])
soup.find_all(text=re.compile("Tit")) # 传入正则匹配
# css选择查找
soup.select('title') # 根据标签查找
soup.select('#link1') # 根据Id查找
soup.select('.sister') # 根据类名查找
soup.select('p #link1') # 组合查找
soup.select("head > title") # 查找子标签
soup.select('a[class="sister"]') # 属性查找
soup.select('title')[0].get_text() # 使用get_text获取内容
实例
from bs4 import BeautifulSoup
from urllib.request import *
import json
def tencent():
url = 'https://hr.tencent.com'
header = {"User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/71.0.3578.80 Safari/537.36"}
request = Request(url + '/position.php?&start=0#a', headers=header)
response = urlopen(request)
html = response.read()
# with open('html.txt', 'wb+') as f:
# f.write(html)
soup = BeautifulSoup(html, 'lxml')
result = soup.select('tr[class="even"]')
result2 = soup.select('tr[class="old"]')
result.extend(result2)
items = []
for site in result:
item = {}
item['name'] = site.select('td a')[0].get_text()
item['link'] = site.select('td a')[0].attrs['href']
item['category'] = site.select('td')[1].get_text()
item['recruitNumber'] = site.select('td')[2].get_text()
item['workLocation'] = site.select('td')[3].get_text()
item['publishTime'] = site.select('td')[4].get_text()
items.append(item)
line = json.dumps(items, ensure_ascii=False)
with open('html.txt', 'w') as f:
f.write(line)
if __name__ == "__main__":
tencent()
