一文读懂爬虫网页内容提取神器之xpath

XPath 是什么?

XPath的全称是 XML Path Language,即XML 路径语言,是一种在XML(HTML)文档中查找信息的语言。它有4点特性:

XPath 使用路径表达式在 XML 文档中进行导航

XPath 包含一个标准函数库

XPath 是 XSLT 中的主要元素

XPath 是一个 W3C 标准我们从网页中提取数据,主要应用前两点。

XPath 路径表达式

使用XPath我们可以很容易定位到网页中的节点,也就是找到我们关心的数据。这些路径跟电脑目录、网址的路径很相似,通过/来表示路径的深度。

XPath 标注函数库

头内建了100多个函数,当然我们提取数据用到的有限,也就不用记住全部100多个函数了。

Xpath 的节点(Node)

XPath中的核心就是节点(Node),定义了7种不同类型的节点: 元素(Element)、属性(Attribute)、文本(Text)、命名空间(Namespace)、处理指令(processing-instruction)、注释(Comment)和文档节点(Document nodes)

这些节点组成一棵节点树,树的根节点被称为文档节点。

其中注释就是html里面的注释:<!– 注释内容 –>

而命名空间、处理指令和网页数据提取基本没关系,这里就不再详述。

下面我们以一个简单的html文档为例,来解释不同的节点及其关系。

<html>
<body>
    <div>ABC</div>
    <ul id="menu">
        <li>home</li>
        <li>python</li>
    </ul>
</body>
</html>

这段html中的节点有:

文档节点: <html>

元素节点:<li class="item">python</li>

属性节点: id="menu"

XPath 节点的关系

节点间的关系完全照搬人类传宗接代的辈分关系,但只是直系关系,没有叔叔、大伯之类的旁系关系。

还是以上面的html文档为例来说明节点关系:

父(Parent)

每个元素节点(Element)及其属性都有一个父节点。

比如,body的父是html,而body是div、ul 的父亲。

子(Children)

每个元素节点可以有零个、一个或多个子。

比如,body有两个子:div,ul,而ul也有两个子:两个li。

同辈(Sibling)

同辈有相同的父辈节点。

比如,div和ul是同辈。

先辈(Ancestor)

某节点的父辈及其以上辈分的节点。

比如,li的父辈有:ul、div、body、html

后代(Descendant)

某节点的子及其子孙节点。

比如,body的后代有:div、ul、li。

XPath节点的选取

选取节点,也就是通过路径表达来实现。这是我们在网页提取数据时的关键,要熟练掌握。

下表是比较有用的路径表达式:

表达式 说明
nodename 选取当前节点的名为nodename的所有子节点。
/ 从根节点选取,在路径中间时表示一级路径
// 从当前节点开始选择文档中的节点,可以是多级路径
. 从当前节点开始选取
.. 从父节点开始选取
@ 按属性选取

接下来通过具体的示例来加深对路径表达的理解:

路径表达式 解释
/html/body/ul/li 从根节点开始依照路径选取li元素。返回多个。
//ul/li[1] 还是选取li元素,但是路径多级跳跃到ul/li。[1]表示只取第一个li。
//li[last()] 还是选取li,但路径更跳跃。[last()]表示取最后一个li元素。
//li[@class] 选取根节点的名为li且有class属性的所有后代。
//li[@class=”item”] 选择根节点的名为li且class属性为item的所有后代。
//body/*/li 选取body的名为li的孙子节点。*是通配符,表示任何节点。
//li[@*] 选取所有带属性的li元素。
//body/div | //body/ul 选取body的所有div和ul元素。
body/div 相对路径,选取当前节点的body元素的子元素div。绝对路径以 / 开始。

XPath函数

Xpath的函数很多,涉及到错误、数值、字符串、时间等等,然而我们从网页中提取数据的时候只会用到很少的一部分。其中最重要的就是字符串相关的函数,比如contains()函数。

contains(a, b)

如果字符串a包含字符串b,则返回true,否则返回false。

比如: contains(‘猿人学Python’, ‘Python’),返回true

那么它用在什么时候呢?我们知道,一个html标签的class是可以有多个属性值的,比如:

<div class="post-item text-red text-center">
    ...
</div>

这段html中div有三个class值,第一个表面它是一条发布的消息,后面两个是对格式做了更多的设置。如果我们想提取网页中所有发布的消息,只需要匹配到post-item 即可,这时候就可以用上contains了:

doc.xpath('//div[contains(@class, "post-item")]')

跟contains()类似的字符串匹配的函数还有:

starts-with(string1, string2) 判断string1是否以string2开头ends-with(string1, string2) 判断string1是否以string2结尾matches(string, pattern) 通过正则表达式匹配

然而,在lxml的xpath中使用ends-with(), matches() 会报错

In [232]: doc.xpath('//ul[ends-with(@id, "u")]')
---------------------------------------------------------------------------
XPathEvalError                            Traceback (most recent call last)
<ipython-input-232-79a4afc46a75> in <module>()
----> 1 doc.xpath('//ul[ends-with(@id, "u")]')

src/lxml/etree.pyx in lxml.etree._Element.xpath()

src/lxml/xpath.pxi in lxml.etree.XPathElementEvaluator.__call__()

src/lxml/xpath.pxi in lxml.etree._XPathEvaluatorBase._handle_result()

XPathEvalError: Unregistered function

lxml 竟然不支持ends-with(), matches()函数
到lxml官方网站去看看,原来它说了只支持 XPath 1.0:

lxml supports XPath 1.0, XSLT 1.0 and the EXSLT extensions through libxml2 and libxslt in a standards compliant way.

来源:PY学习网:原文地址:https://www.py.cn/article.html

hmoban主题是根据ripro二开的主题,极致后台体验,无插件,集成会员系统
自学咖网 » 一文读懂爬虫网页内容提取神器之xpath