5.网络爬虫——Xpath解析

时间:2024-10-18 09:33:58

网络爬虫——Xpath解析

    • Xpath简介
    • Xpath解析
      • 节点选择
      • 路径表达式
      • 谓语
      • 未知节点
    • Xpath实战演示
      • 豆果美食实战
      • 获取数据
      • 源代码

前言:
????​????​此专栏文章是专门针对Python零基础爬虫,欢迎免费订阅!
????​????第一篇文章获得全站热搜第一python领域热搜第一
第四篇文章全站热搜第八,欢迎阅读!
????????欢迎大家一起学习,一起成长!!
????????:悲索之人烈焰加身,堕落者不可饶恕。永恒燃烧的羽翼,带我脱离凡间的沉沦。在这里插入图片描述

在这里插入图片描述

Xpath简介

XPath是一种用于在XML文档中定位节点的语言,它可以用于从XML文档中提取数据,以及在XML文档中进行搜索和过滤操作。它是W3C标准的一部分,被广泛应用于XML文档的处理和分析。

XPath使用路径表达式来描述节点的位置,这些路径表达式类似于文件系统中的路径。路径表达式由一个或多个步骤(step)组成,每个步骤描述了一个节点或一组节点。步骤可以使用关系运算符(如/和//)来连接,以便描述更复杂的节点位置。

XPath还提供了一些内置函数和运算符,可以对XML文档中的数据进行操作和计算。例如,可以使用XPath的数学函数来计算节点的数值,或使用字符串函数来处理节点的文本内容。

在Python中,XPath可以使用lxml库来实现。lxml提供了一个etree模块,该模块包含了XPath的实现,可以方便地对XML文档进行解析和操作,同时支持XPath语法

Xpath解析

节点选择

XPath用于在XML文档中定位和选择节点,以下是XPath的一些常用用法:
在这里插入图片描述

1. 选择所有节点:

使用双斜杠//选择文档中的所有节点,例如://node()

2. 按标签名选择节点:

使用标签名选择节点,例如://book

3. 按属性选择节点:

使用方括号[]和@符号选择具有特定属性值的节点,例如://book[@category="children"]

4. 选择父节点、子节点和兄弟节点:

使用父节点(…)、子节点(/)和兄弟节点(//)选择节点,例如://book/title/..//book/author/following-sibling::title

5. 使用通配符选择节点:

使用星号*选择任何节点,例如://book/*选择所有book节点的子节点

6. 使用逻辑运算符选择节点:

使用and、or、not等逻辑运算符选择节点,例如://book[price<10 and @category="children"]

7. 使用内置函数处理节点:

使用内置函数处理节点的文本和数值,例如://book[substring(title,1,3)="The"]选择标题以"The"开头的书籍

8. 使用轴选择节点:

使用轴选择节点,例如://book/ancestor::library选择book节点的library祖先节点

在Python中,使用lxml库的etree模块可以方便地使用XPath进行节点定位和选择。例如,可以使用()函数解析XML文档,并使用xpath()方法执行XPath表达式,以便选择和操作XML文档中的节点。

路径表达式

在这里插入图片描述

XPath路径表达式是一种用于在XML文档中定位节点的语法。它由一系列节点名、轴、谓词和运算符组成,可以构造出一个完整的路径,以定位到目标节点。

XPath路径表达式的基本语法如下:

/          : 从根节点开始,定位到目标节点
//         : 从当前节点开始,递归查找所有符合条件的节点
.          : 表示当前节点
..         : 表示当前节点的父节点
*          : 匹配任意节点
@          : 表示属性节点
[]         : 表示谓词,用于筛选符合条件的节点

例如,以下是一些XPath路径表达式的示例:

/                 : 定位到根节点
/bookstore        : 定位到根节点下的bookstore节点
/bookstore/book   : 定位到bookstore节点下的所有book节点
//book            : 递归查找所有book节点
//book[@category='web'] : 查找所有category属性值为web的book节点

XPath路径表达式是XPath语言的核心,它可以用于查询XML文档中的数据,并且在XPath语言中还有很多其他的功能,例如函数、运算符等,可以更加灵活地处理XML数据。

谓语

XPath谓语是一种用于筛选XML文档中特定节点的表达式,它可以在XPath路径中使用。谓语通常由方括号包围,并包括一个条件表达式。

例如,以下XPath路径选择所有名为“book”的元素:

/bookstore/book

如果我们想要选择所有具有价格大于10美元的书籍,我们可以使用以下XPath路径和谓语:

/bookstore/book[price > 10]

在这个例子中,谓语是“[price > 10]”,它指定了一个条件,它只选择价格大于10美元的书籍。

在这里插入图片描述

未知节点

当我们需要选择一个未知节点时,意味着我们无法确定节点的位置或名称,但我们知道节点具有某些特定属性或特征。在这种情况下,我们可以使用通配符、轴、谓词等技术来选择未知节点。

通配符(*)可以用来匹配任何节点,轴可以用来选择与当前节点相关的节点,谓词可以用来筛选符合条件的节点。使用这些技术,我们可以选择任何未知节点,使我们的XPath表达式更加灵活和通用。

在这里插入图片描述

Xpath语法较多,我不一一演示,但在后面实战演示中,会依次讲解,帮助大家理解学习。理论讲解完毕,我们进入实战!!! ????????

Xpath实战演示

所以今天实战内容是关于美食的,毕竟博主是一个吃货 。???? ???? ???? ???? ???? ???????? ???? ???? ???? ???? ???? ???? ???? ???? ???? ???? ???? ???? ???? ???? ???? ????

豆果美食实战

让我们欣赏一下主页吧!

在这里插入图片描述

我们今天不获取照片了,毕竟太吸引人了,哈哈哈。

在这里插入图片描述
>和之前一样,我们点击右键,选择检查,查看元素,接着按CTRL+F键
在这里插入图片描述

在XPath中,nodename指的是XML文档中的节点名称。节点名称可以是元素名称、属性名称、注释名称、处理指令名称等。
在这里插入图片描述
在这里插入图片描述

第一个是不是很简单,想找那个就输入那个,我们慢慢来。
/从根节点选取(取子节点)。在这里插入图片描述

url = '/'

res = (url)

print()
html = ()
# /从根节点选取(取子节点)。
rest = ('/html/head/title')  # 返回Element对象
print(rest)

在这里插入图片描述

url = '/'

res = (url)

print()
html = ()
# /从根节点选取(取子节点)。
rest = ('/html/head/title/text()')  # 返回Element对象
print(rest)

我们在xpath代码里面加入text(),/text() 获取Element对象的元素内容(元素文本)

在这里插入图片描述

// 获取任何位置的数据,不从根路径出发

# // 获取任何位置的数据,不从根路径出发
title_text = ('//title/text()')  # 一般会获取多个数据
print(title_text)

在这里插入图片描述

/@属性名 获取标签中的属性名的内容

# /@属性名  获取标签中的属性名的内容
attr = ('//meta/@name')
print(attr)

在这里插入图片描述

谓语 (相当于python里面的索引,条件) 选取数据中某部分数据


# 谓语 (相当于python里面的索引,条件)
# 选取数据中某部分数据
index = ('/html/head/meta[3]')  # meta[3] 获取meta里面的第3个参数
print(index)

在这里插入图片描述

last() 获取最后面的数据

# last() 获取最后面的数据

index = ('/html/body/div[1]/div/a[last()]')  # meta[3] 获取meta里面的第3个参数
print(index)

在这里插入图片描述

position()<3 获取索引小于3的数据

# position()<3  获取索引小于3的数据
index = ('/html/body/div[1]/div/a[position()<3]')  # meta[3] 获取meta里面的第3个参数
print(index)

在这里插入图片描述

//meta[@charset] 根据标签名 和 属性名称进行数据筛选

# //meta[@charset]  根据标签名 和 属性名称进行数据筛选
index = ('//meta[@charset]')  # meta[3] 获取meta里面的第3个参数
print(index)

在这里插入图片描述

//meta[@name="meta1"] # 标签为meta 并且 里面的属性为name,属性的值为author

# //meta[@name="meta1"] # 标签为meta 并且 里面的属性为name,属性的值为author
index = ('//meta[@name="author"]')
print(index)

在这里插入图片描述

未知节点
不管是什么标签名 只要其中有class="meta1"就获取到


# 未知节点
index = ('//*[@class="item"]')
# 不管是什么标签名 只要其中有class="meta1"就获取到
print(index)

在这里插入图片描述

获取未知的属性
获取meta标签 并且里面有一个属性的值=keywords

# 获取未知的属性
# 获取meta标签 并且里面有一个属性的值=keywords
index = ('//meta[@*="keywords"]')
print(index)

在这里插入图片描述

获取数据

常用的用法基本上都讲了一遍,现在教大家怎么获取更多数据
在这里插入图片描述

我们来获取这些菜谱的名字和作者的名字
首先,我们获取这个网页的源代码到我们本地,这个就不具体演示了,前面几章已经作了详细的讲解,如果有疑问,可以看我之前的文章。

直接展示:

import time
import requests
from lxml import etree
from tabulate import tabulate

url = '/'

res = (url)

print()
# html = ()

在这里插入图片描述

是不是很简单,几行代码就得到了这些数据,接下来我们对源代码里面的数据用Xpath进行解析,来获取我们想要的数据。

首先我们需要认识一行代码
html = ()

这行代码的作用是将 HTTP 响应中的 HTML 文本解析为一个 Element 对象,以便后续对其进行操作,例如提取数据、修改内容、查找元素等等。其中,etree 是 Python 的一个第三方库,可以用来解析 XML 和 HTML 文本。HTML 是一种标记语言,用于构建网页和 Web 应用程序的用户界面。
我们在使用的时候,需要导入,代码如下:
from lxml import etree

进入正题,开始使用Xpath来解析数据:

html = ()
name = (f'//*[@]/ul[1]/li[1]/div/a/text()')
print(name)

在这里插入图片描述

很好,我们通过一行代码获取了第一个美食的名字,一共有八个美食,我们不可能写八行代码来获取名字吧,虽然可以,但太繁琐,不宜使用。我们可以使用循环,他们之间一定有内在的联系,通过解析发现,他们路径基本上相同,不同的li[i]里面的值,我们通过循环来获取名字。
在这里插入图片描述

修改后的代码,三行就够了!!

html = ()
for i in range(1, 9):
    name = (f'//*[@]/ul[1]/li[{i}]/div/a/text()')
# name1 = (f'//*[@]/ul[1]/li[2]/div/a/text()')
# name2 = (f'//*[@]/ul[1]/li[3]/div/a/text()')
    print(name)
# print(name1)
# print(name2)

在这里插入图片描述

我们获取了前八个美食的名字,接下来我们获取前八个美食的作者名字,方法和前面一样,先找到一个作者的xpath路径,接着找规律,如何用循环写出来,如下:


res = (url)

# print()
html = ()
for i in range(1, 9):
    name = (f'//*[@]/ul[1]/li[{i}]/div/a/text()')
    author = (f'//*[@]/ul[1]/li[{i}]/div/p/a[1]/text()')
    print(name)
    print( author)


在这里插入图片描述

我们获取了想要的数据l,是不是很简单,其实我们还可以美化一下。

    result = tabulate([[name, author]], headers=['Name', 'Author'], tablefmt='orgtbl')
    print(result)

将名字和作者的数据以表格的形式输出。具体实现方式是使用tabulate库中的tabulate函数,将数据列表和表头传入函数中,设置输出格式为orgtbl,最后将输出结果打印出来。
在这里插入图片描述

源代码

import time
import requests
from lxml import etree
from tabulate import tabulate

url = '/'

res = (url)

# print()
html = ()
for i in range(1, 9):
    name = (f'//*[@]/ul[1]/li[{i}]/div/a/text()')
    author = (f'//*[@]/ul[1]/li[{i}]/div/p/a[1]/text()')
    print(name)
    print(author)

    result = tabulate([[name, author]], headers=['Name', 'Author'], tablefmt='orgtbl')
    print(result)

????????写在最后:本篇文章总计上万字,感谢你能阅读到这里,为你的学习点一个赞。为了写好这篇文章,我学习了三天的数据解析,写了四个小时的文章,一点一点的写出来,方便大家理解学习,如果觉得对你有帮助,点一个赞吧,你的赞是对我最大的鼓励,谢谢啦。????????????

在这里插入图片描述