Python / 09 使用 Xpath 进行爬虫开发

使用 Xpath 进行爬虫开发

Xpath( XML Path Language, XML路径语言),是一种在 XML 数据中查找信息的语言,现在,我们也可以使用它在 HTML 中查找需要的信息。

既然谈到 Xpath 是一门语言,当然它就会有自己的一些特定的语法。我们这里罗列一些经常使用的语法,熟悉下面的基本语法之后,就能满足我们日常的爬虫开发所用。

本小节主要内容:

  • Xpath的基本概念
  • Xpath的基本语法
  • Xpath实战

学习目标:

熟练掌握常用的 Xpath 的基本操作

1. 开发前的准备

前面我们介绍的 XPath 基本的语法和基本操作,下面我们通过 lxml 库,来熟悉一下 XPath 的使用。

首先,我们需要一个测试文件,文件如下,文件名为 xpath_test.xml:

<!---  这是一个测试数据,方便我们后面进行解析-->
<div>
<ul>
<li class='item-0'><a href='a.html'>python item</a></li>
<li class='item-1'><a href='b.html'>java item</a></li>
<li class='item-inactive'><a href='c.html'><span class='bold'>C item</span></a></li>
<li class='item-1'><a href='d.html'>java item</a></li>
<li class='item-0'><a href='b.html'>java item</a></li>
<li class='item-0'><a href='b.html'>java item</a></li>
</ul>
</div>

2. 基本语法

2.1 节点之间的关系

  • 父节点:每个元素都有一个父亲节点;
  • 子节点:每个元素节点可以有零个,一个或者多个父亲节点;
  • 兄弟节点:相同父亲节点的节点;
  • 先辈节点:一个元素的父亲节点的父亲节点;
  • 后辈节点:一个元素的子节点的子节点。

表达式基本语法

表达式 功能简介
node 选取node下面的所有的节点
/node 斜杠是代表绝对路径,这个表达式语法的意思就是选择根上的node
//node 选择所有的node的节点,与XML的位置无关
. 选择当前节点
选择当前节点的父亲节点
node/child 选取node子节点的所有的child元素
node//child 选取所有后备节点的chiid信息
//@href 选取所有的href的属性

2.2 谓语与通配符

表达式 功能简介
/books/python[1] 选取books子元素中的第一个python元素
/books/python[last()] 选取books子元素中的最后一个元素
/books/python[position()<10] 选取books子元素的前9个元素
. 选择当前节点
选择当前节点的父亲节点
node/child 选取node子节点的所有的child元素
node//child 选取所有后备节点的chiid信息
//@href 选取所有的href的属性

3. 开发案例

开发案例一:

  • 从xml中查找出所有的’li’标签
from lxml import etree
emt = etree.parse('text.xml')
rst = emt.xpath('//li')

运行结果如下图所示:
图片描述

开发案例二:

  • 从xml中查找出所有的’li’标签的所有class
from lxml import etree
emt = etree.parse('text.xml')
rst = emt.xpath('//li/@class')

运行结果如下图所示:
图片描述

开发案例三:

  • 从xml中查找出所有的’li’标签下面的href为a.html的标签
from lxml import etree
emt = etree.parse('text.xml')
rst = emt.xpath('//li/a[@href="a.html"]')

运行结果如下图所示:
图片描述

4. 小结

XPath 是一种查询语言,它是通过路径来寻找相应的信息,正如它的英文名称 path 一样,通过不同种X路径,最终找到自己需要的信息。通过 XPath,我们不但可以搜索 XML,也可以搜索 HTML。

通过案例,我们基本熟悉了 XPath 的基本使用,这也为我们后面学习 BeautifulSoup 打下了良好的基础,XPath 为我们从复杂的文档中,快速定位信息提供了良好的支持,也为我们后面处理和整理爬虫爬下来的信息奠定了根基。