python 全栈开发,Day135(爬虫系列之第2章-BS和Xpath模块)

时间:2024-06-19 17:35:56

一、BeautifulSoup

1. 简介

简单来说,Beautiful Soup是python的一个库,最主要的功能是从网页抓取数据。官方解释如下:

'''
Beautiful Soup提供一些简单的、python式的函数用来处理导航、搜索、修改分析树等功能。
它是一个工具箱,通过解析文档为用户提供需要抓取的数据,因为简单,所以不需要多少代码就可以写出一个完整的应用程序。
'''

Beautiful Soup 是一个可以从HTML或XML文件中提取数据的Python库.它能够通过你喜欢的转换器实现惯用的文档导航,查找,修改文档的方式.Beautiful Soup会帮你节省数小时甚至数天的工作时间.你可能在寻找 Beautiful Soup3 的文档,Beautiful Soup 3 目前已经停止开发,官网推荐在现在的项目中使用Beautiful Soup 4。

安装

pip3 install bs4

解析器

pip3 install lxml

另一个可供选择的解析器是纯Python实现的 html5lib , html5lib的解析方式与浏览器相同,可以选择下列方法来安装html5lib:

pip install html5lib

解析器对比:

python 全栈开发,Day135(爬虫系列之第2章-BS和Xpath模块)

官方文档

简单使用

下面的一段HTML代码将作为例子被多次用到.这是 爱丽丝梦游仙境的 的一段内容(以后内容中简称为 爱丽丝 的文档):

html_doc = """
<html><head><title>The Dormouse's story</title></head>
<body>
<p class="title"><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>
"""

上面这段代码不是完整的html标签,为什么呢?它没有body和html的结束标签!

没关系,bs4有容错机制!

使用BeautifulSoup解析这段代码,能够得到一个 BeautifulSoup 的对象

from bs4 import BeautifulSoup
soup = BeautifulSoup(html_doc, 'html.parser')

从文档中找到所有<a>标签的链接:

for link in soup.find_all('a'):
print(link.get('href'))

执行输出:

http://example.com/elsie
http://example.com/lacie
http://example.com/tillie

从文档中获取所有文字内容:

print(soup.get_text())

执行输出:

The Dormouse's story

The Dormouse's story
Once upon a time there were three little sisters; and their names were
Elsie,
Lacie and
Tillie;
and they lived at the bottom of a well.
...

2. 标签对象

通俗点讲就是 HTML 中的一个个标签,Tag 对象与XML或HTML原生文档中的tag相同:

from bs4 import BeautifulSoup

soup = BeautifulSoup('<b class="boldest">Extremely bold</b>','html.parser')
tag = soup.b
print(type(tag))

执行输出:<class 'bs4.element.Tag'>

Tag的名字

soup对象再以爱丽丝梦游仙境的html_doc为例,操作文档树最简单的方法就是告诉它你想获取的tag的name.如果想获取 <head> 标签,只要用 soup.head :

from bs4 import BeautifulSoup
soup = BeautifulSoup(html_doc, 'html.parser') soup = soup.head # 获取head标签
print(soup) soup = soup.title # 获取title标签
print(soup)

执行输出:

<head><title>The Dormouse's story</title></head>
<title>The Dormouse's story</title>

这是个获取tag的小窍门,可以在文档树的tag中多次调用这个方法.下面的代码可以获取<body>标签中的第一个<b>标签:

soup = soup.body.b  # <body>标签中的第一个<b>标签
print(soup) # <b>The Dormouse's story</b>

通过点取属性的方式只能获得当前名字的第一个tag:

soup = soup.a  # 第一个a标签
print(soup)
# <a class="sister" href="http://example.com/elsie" id="link1">Elsie</a>

如果想要得到所有的<a>标签,或是通过名字得到比一个tag更多的内容的时候,就需要用到 Searching the tree 中描述的方法,比如: find_all()

soup = soup.find_all('a')  # 所有a标签
print(soup)

执行输出:

[<a class="sister" href="http://example.com/elsie" id="link1">Elsie</a>,
<a class="sister" href="http://example.com/lacie" id="link2">Lacie</a>,
<a class="sister" href="http://example.com/tillie" id="link3">Tillie</a>]

结果是一个列表!

我们可以利用 soup加标签名轻松地获取这些标签的内容,注意,它查找的是在所有内容中的第一个符合要求的标签。

Tag的name和attributes属性

Tag有很多方法和属性,主要是 标签对象的名称,属性,文本。

现在介绍一下tag中最重要的属性: name和attributes

名称和属性

每个tag都有自己的名字,通过.name 来获取:

from bs4 import BeautifulSoup
soup = BeautifulSoup(html_doc, 'html.parser') soup = soup.find_all('a') # 所有a标签 for link in soup:
print(link.name) # 标签名
print(link.get('id')) # id属性
print(link.get('class')) # class属性
print(link.get('href')) # herf属性
print(link.attrs) # 标签所有属性
# {'href': 'http://example.com/tillie', 'class': ['sister'], 'id': 'link3'}

tag的属性可以被添加,删除或修改. 再说一次, tag的属性操作方法与字典一样

修改

from bs4 import BeautifulSoup
soup = BeautifulSoup(html_doc, 'html.parser') soup = soup.find_all('a') # 所有a标签 soup[0]['class'] = 'verybold' # 修改class属性
soup[0]['id'] = 1 # 修改id属性
print(soup[0])
# <a class="verybold" href="http://example.com/elsie" id="1">Elsie</a>

删除

soup = soup.find_all('a')  # 所有a标签

del soup[0]['class']
del soup[0]['id']
print(soup[0])
# <a href="http://example.com/elsie">Elsie</a>

文本获取

标签对象的文本获取

from bs4 import BeautifulSoup

soup = BeautifulSoup(html_doc, 'html.parser')
print(soup.p.string) # p下的文本只有一个时,取到,否则为None
print(soup.p.strings) # 拿到一个生成器对象, 取到p下所有的文本内容
print(soup.p.text) #取到p下所有的文本内容
for line in soup.stripped_strings: #去掉空白
print(line)

执行输出:

The Dormouse's story
<generator object _all_strings at 0x000001AA3941C5C8>
The Dormouse's story
The Dormouse's story
The Dormouse's story
Once upon a time there were three little sisters; and their names were
Elsie
,
Lacie
and
Tillie
;
and they lived at the bottom of a well.
...

如果tag包含了多个子节点,tag就无法确定 .string 方法应该调用哪个子节点的内容, .string 的输出结果是 None,如果只有一个子节点那么就输出该子节点的文本,比如下面的这种结构,soup.p.string 返回为None,但soup.p.strings就可以找到所有文本

from bs4 import BeautifulSoup

tmp_html= """<p id='list-1'>
哈哈哈哈
<a class='sss'>
<span>
<h1>aaaa</h1>
</span>
</a>
<b>bbbbb</b>
</p>"""
soup = BeautifulSoup(tmp_html, 'html.parser')
print(soup.p.string) # p下的文本只有一个时,取到,否则为None
print(soup.p.strings) # 拿到一个生成器对象, 取到p下所有的文本内容 for i in soup.stripped_strings:
print('-->',i)

执行输出:

None
<generator object _all_strings at 0x000002017427C570>
--> 哈哈哈哈
--> aaaa
--> bbbbb

因此,使用 string,标签下的文本只能有一个,否则返回None!

而使用text,返回所有文本!

这就是tag.text和tag.string的区别!

3.遍历文档树

关于DOM数,请参考链接:

https://www.cnblogs.com/majj/p/9102890.html

1、嵌套选择

from bs4 import BeautifulSoup

soup = BeautifulSoup(html_doc, 'html.parser')
print(soup.head.title.string) # The Dormouse's story
print(soup.body.a.string) # Elsie

2、子节点、子孙节点

from bs4 import BeautifulSoup

soup = BeautifulSoup(html_doc, 'html.parser')

print(soup.p.contents) #p下所有子节点
print(soup.p.children) #得到一个迭代器,包含p下所有子节点 for i,child in enumerate(soup.p.children):
print(i,child) print(soup.p.descendants) #获取子孙节点,p下所有的标签都会选择出来
for i,child in enumerate(soup.p.descendants):
print(i,child)

3、父节点、祖先节点

print(soup.a.parent) #获取a标签的父节点
print(soup.a.parents) #找到a标签所有的祖先节点,父亲的父亲,父亲的父亲的父亲...

soup.a.parents 最终返回的节点是<html>...</html>。也就是说,它直接回到顶层了!

4、兄弟节点

print('=====>')
print(soup.a.next_sibling) #下一个兄弟
print(soup.a.previous_sibling) #上一个兄弟 print(list(soup.a.next_siblings)) #下面的兄弟们=>生成器对象
print(soup.a.previous_siblings) #上面的兄弟们=>生成器对象

4. 搜索文档树

BeautifulSoup定义了很多搜索方法,这里着重介绍2个: find() 和 find_all() .其它方法的参数和用法类似

1、五种过滤器

搜索文档树:BeautifulSoup定义了很多搜索方法,这里着重介绍2个: find() 和 find_all() .其它方法的参数和用法类似

html_doc = """
<html><head><title>The Dormouse's story</title></head>
<body>
<p id="my p" class="title"><b id="bbb" class="boldest">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>
""" from bs4 import BeautifulSoup
soup=BeautifulSoup(html_doc,'lxml')

五种过滤器: 字符串、正则表达式、列表、True、方法

1.1、字符串:即标签名

print(soup.find_all('b'))

执行输出:

[<b class="boldest" id="bbb">The Dormouse's story</b>]

1.2、正则表达式

import re
print(soup.find_all(re.compile('^b'))) #找出b开头的标签,结果有body和b标签

执行输出:

[<body>
<p class="title" id="my p"><b class="boldest" id="bbb">The Dormouse's story</b>
</p>
<p class="story">Once upon a time there were three little sisters; and their names were
<a class="sister" href="http://example.com/elsie" id="link1">Elsie</a>,
<a class="sister" href="http://example.com/lacie" id="link2">Lacie</a> and
<a class="sister" href="http://example.com/tillie" id="link3">Tillie</a>;
and they lived at the bottom of a well.</p>
<p class="story">...</p>
</body>, <b class="boldest" id="bbb">The Dormouse's story</b>]

1.3、列表

如果传入列表参数,Beautiful Soup会将与列表中任一元素匹配的内容返回.下面代码找到文档中所有<a>标签和<b>标签:

print(soup.find_all(['a','b']))

执行输出:

[<b class="boldest" id="bbb">The Dormouse's story</b>, <a class="sister" href="http://example.com/elsie" id="link1">Elsie</a>, <a class="sister" href="http://example.com/lacie" id="link2">Lacie</a>, <a class="sister" href="http://example.com/tillie" id="link3">Tillie</a>]

1.4、True

可以匹配任何值,下面代码查找到所有的tag,但是不会返回字符串节点

print(soup.find_all(True))
for tag in soup.find_all(True):
print(tag.name)

这个不怎么用,可以忽略掉!

1.5、方法

如果没有合适过滤器,那么还可以定义一个方法,方法只接受一个元素参数 ,如果这个方法返回 True 表示当前元素匹配并且被找到,如果不是则反回 False

from bs4 import BeautifulSoup

soup=BeautifulSoup(html_doc,'lxml')

def has_class_but_no_id(tag):  # 有class但是没有id属性的标签
return tag.has_attr('class') and not tag.has_attr('id') print(soup.find_all(has_class_but_no_id)) # 将每一个标签传给这个方法过滤

执行输出:

[<p class="story">Once upon a time there were three little sisters; and their names were
<a class="sister" href="http://example.com/elsie" id="link1">Elsie</a>,
<a class="sister" href="http://example.com/lacie" id="link2">Lacie</a> and
<a class="sister" href="http://example.com/tillie" id="link3">Tillie</a>;
and they lived at the bottom of a well.</p>, <p class="story">...</p>]

最终输出的,都是有class属性,但是没有id属性的标签

2、find_all()

语法

find_all( name , attrs , recursive , text , **kwargs )

2.1、name

搜索name参数的值可以使任一类型的 过滤器 ,字符窜,正则表达式,列表,方法或是 True

from bs4 import BeautifulSoup

soup=BeautifulSoup(html_doc,'lxml')

import re
print(soup.find_all(name=re.compile('^t')))

执行输出:

[<title>The Dormouse's story</title>]

2.2、keyword

key=value的形式,value可以是过滤器:字符串 , 正则表达式 , 列表, True

print(soup.find_all(id=re.compile('my')))  # 查找id含有my属性的标签
# 查找herf含有lacle以及id带有数字的标签。
# 如果是class属性,需要使用class_,因为在python中,class是关键字!
print(soup.find_all(href=re.compile('lacie'),id=re.compile('\d')))
print(soup.find_all(id=True)) #查找有id属性的标签

执行输出:

[<p class="title" id="my p"><b class="boldest" id="bbb">The Dormouse's story</b>
</p>]
[<a class="sister" href="http://example.com/lacie" id="link2">Lacie</a>]
[<p class="title" id="my p"><b class="boldest" id="bbb">The Dormouse's story</b>
</p>, <b class="boldest" id="bbb">The Dormouse's story</b>, <a class="sister" href="http://example.com/elsie" id="link1">Elsie</a>, <a class="sister" href="http://example.com/lacie" id="link2">Lacie</a>, <a class="sister" href="http://example.com/tillie" id="link3">Tillie</a>]

有些tag属性在搜索不能使用,比如HTML5中的 data-* 属性:

data_soup = BeautifulSoup('<div data-foo="value">foo!</div>','lxml')
data_soup.find_all(data-foo="value") #报错:SyntaxError: keyword can't be an expression

但是可以通过 find_all() 方法的 attrs 参数定义一个字典参数来搜索包含特殊属性的tag:

from bs4 import BeautifulSoup

soup=BeautifulSoup(html_doc,'lxml')

data_soup = BeautifulSoup('<div data-foo="value">foo!</div>','lxml')
print(data_soup.find_all(attrs={"data-foo": "value"}))
# [<div data-foo="value">foo!</div>]

2.3、按照类名查找

注意关键字是class_,class_=value,value可以是五种选择器之一

from bs4 import BeautifulSoup

soup=BeautifulSoup(html_doc,'lxml')
import re
print(soup.find_all('a',class_='sister')) #查找类为sister的a标签
print(soup.find_all('a',class_='sister ssss')) #查找类为sister和sss的a标签,顺序错误也匹配不成功
print(soup.find_all(class_=re.compile('^sis'))) #查找类为sister的所有标签

执行输出:

[<a class="sister" href="http://example.com/elsie" id="link1">Elsie</a>, <a class="sister" href="http://example.com/lacie" id="link2">Lacie</a>, <a class="sister" href="http://example.com/tillie" id="link3">Tillie</a>]
[]
[<a class="sister" href="http://example.com/elsie" id="link1">Elsie</a>, <a class="sister" href="http://example.com/lacie" id="link2">Lacie</a>, <a class="sister" href="http://example.com/tillie" id="link3">Tillie</a>]

2.4、attrs

如果有多个属性,在attrs里面增加key-value即可

# 查询p标签,class属性为story
print(soup.find_all('p',attrs={'class':'story'}))

执行输出:

[<p class="story">Once upon a time there were three little sisters; and their names were
<a class="sister" href="http://example.com/elsie" id="link1">Elsie</a>,
<a class="sister" href="http://example.com/lacie" id="link2">Lacie</a> and
<a class="sister" href="http://example.com/tillie" id="link3">Tillie</a>;
and they lived at the bottom of a well.</p>, <p class="story">...</p>]

2.5、text

值可以是:字符,列表,True,正则

print(soup.find_all(text='Elsie'))
print(soup.find_all('a',text='Elsie'))

执行输出:

['Elsie']
[<a class="sister" href="http://example.com/elsie" id="link1">Elsie</a>]

2.6、limit参数

如果文档树很大那么搜索会很慢.如果我们不需要全部结果,可以使用 limit 参数限制返回结果的数量.效果与SQL中的limit关键字类似,当搜索到的结果数量达到 limit 的限制时,就停止搜索返回结果

print(soup.find_all('a',limit=2))

执行输出:

[<a class="sister" href="http://example.com/elsie" id="link1">Elsie</a>, <a class="sister" href="http://example.com/lacie" id="link2">Lacie</a>]

2.7、recursive

调用tag的 find_all() 方法时,Beautiful Soup会检索当前tag的所有子孙节点,如果只想搜索tag的直接子节点,可以使用参数 recursive=False

print(soup.html.find_all('a'))
print(soup.html.find_all('a',recursive=False))

执行输出:

[<a class="sister" href="http://example.com/elsie" id="link1">Elsie</a>, <a class="sister" href="http://example.com/lacie" id="link2">Lacie</a>, <a class="sister" href="http://example.com/tillie" id="link3">Tillie</a>]
[]

备注

像调用 find_all() 一样调用tag
find_all() 几乎是Beautiful Soup中最常用的搜索方法,所以我们定义了它的简写方法. BeautifulSoup 对象和 tag 对象可以被当作一个方法来使用,
这个方法的执行结果与调用这个对象的 find_all() 方法相同,下面两行代码是等价的: soup.find_all("a")
soup("a") 这两行代码也是等价的: soup.title.find_all(text=True)
soup.title(text=True)

3、find()

语法

find( name , attrs , recursive , text , **kwargs )

find_all() 方法将返回文档中符合条件的所有tag,尽管有时候我们只想得到一个结果.比如文档中只有一个<body>标签,那么使用 find_all() 方法来查找<body>标签就不太合适, 使用 find_all 方法并设置 limit=1 参数不如直接使用 find() 方法.下面两行代码是等价的:

from bs4 import BeautifulSoup

soup=BeautifulSoup(html_doc,'lxml')
print(soup.find_all('title', limit=1))
# soup.find_all('title', limit=1)
print(soup.find('title'))
# <title>The Dormouse's story</title>

唯一的区别是 find_all() 方法的返回结果是值包含一个元素的列表,而 find() 方法直接返回结果.
find_all() 方法没有找到目标是返回空列表, find() 方法找不到目标时,返回 None .

print(soup.find("nosuchtag"))
# None

soup.head.title 是 tag的名字 方法的简写.这个简写的原理就是多次调用当前tag的 find() 方法:

print(soup.head.title)
# <title>The Dormouse's story</title>
print(soup.find("head").find("title"))
# <title>The Dormouse's story</title>

4、其他方法

见官网: https://www.crummy.com/software/BeautifulSoup/bs4/doc/index.zh.html#find-parents-find-parent

5、css选择器

我们在写 CSS 时,标签名不加任何修饰,类名前加点,id名前加 #,在这里我们也可以利用类似的方法来筛选元素,用到的方法是 soup.select(),返回类型是 list

1. 通过标签名查找

from bs4 import BeautifulSoup

soup=BeautifulSoup(html_doc,'lxml')
print(soup.select("title")) # [<title>The Dormouse's story</title>]
print(soup.select("b")) # [<b class="boldest" id="bbb">The Dormouse's story</b>]

2. 通过类名查找

print(soup.select(".sister")) 

'''
[<a class="sister" href="http://example.com/elsie" id="link1">Elsie</a>,
<a class="sister" href="http://example.com/lacie" id="link2">Lacie</a>,
<a class="sister" href="http://example.com/tillie" id="link3">Tillie</a>] '''

3. 通过 id 名查找

print(soup.select("#link1"))
# [<a class="sister" href="http://example.com/elsie" id="link1">Elsie</a>]

4. 组合查找

组合查找即和写 class 文件时,标签名与类名、id名进行的组合原理是一样的,例如查找 p 标签中,id 等于 link1的内容,二者需要用空格分开

print(soup.select("p #link2"))

#[<a class="sister" href="http://example.com/lacie" id="link2">Lacie</a>]

直接子标签查找

print(soup.select("p > #link2"))
# [<a class="sister" href="http://example.com/lacie" id="link2">Lacie</a>]

5. 属性查找

查找时还可以加入属性元素,属性需要用中括号括起来,注意属性和标签属于同一节点,所以中间不能加空格,否则会无法匹配到。

print(soup.select("a[href='http://example.com/tillie']"))
#[<a class="sister" href="http://example.com/tillie" id="link3">Tillie</a>]

select 方法返回的结果都是列表形式,可以遍历形式输出,然后用 get_text() 方法来获取它的内容:

for title in soup.select('a'):
print (title.get_text()) '''
Elsie
Lacie
Tillie
'''

5. 修改文档树

修改文档树

二、Xpath模块

xpath简介

XPath在Python的爬虫学习中,起着举足轻重的地位,对比正则表达式 re两者可以完成同样的工作,实现的功能也差不多,但XPath明显比re具有优势,在网页分析上使re退居二线。

XPath介绍

是什么? 全称为XML Path Language 一种小型的查询语言
说道XPath是门语言,不得不说它所具备的优点:

  • 可在XML中查找信息
  • 支持HTML的查找
  • 通过元素和属性进行导航

python开发使用XPath条件: 由于XPath属于lxml库模块,所以首先要安装库lxml。

XPath的简单调用方法:

from lxml import etree

selector=etree.HTML(源码) #将源码转化为能被XPath匹配的格式

selector.xpath(表达式) #返回为一列表

Xpath语法

查询

html_doc = """
<!DOCTYPE html>
<html lang="en">
<head>
<meta charset="UTF-8">
<title>Title</title>
</head>
<body> <div class="d1">
<div class="d2">
<p class="story">
<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" id="link3">Tillie</a>
</p>
</div>
<div>
<p id="p1">ALex is dsb</p>
<p id="p2">Egon too</p>
</div>
</div> <div class="d3">
<a href="http://www.baidu.com">baidu</a>
<p>百度</p>
</div> </body>
</html>
""" from lxml import etree
selector=etree.HTML(html_doc) # 将源码转化为能被XPath匹配的格式

1. 选取节点

语法:

nodename     选取nodename节点的所有子节点         xpath(‘//div’)         选取了所有div节点
/ 从根节点选取 xpath(‘/div’) 从根节点上选取div节点
// 选取所有的当前节点,不考虑他们的位置 xpath(‘//div’) 选取所有的div节点
. 选取当前节点 xpath(‘./div’) 选取当前节点下的div节点
.. 选取当前节点的父节点 xpath(‘..’) 回到上一个节点
@ 选取属性 xpath(’//@calss’) 选取所有的class属性

示例代码:

ret=selector.xpath("//div")
ret=selector.xpath("/div")
ret=selector.xpath("./div")
ret=selector.xpath("//p[@id='p1']")
ret=selector.xpath("//div[@class='d1']/div/p[@class='story']")

2. 谓语

语法:

表达式                                         结果
xpath(‘/body/div[1]’) 选取body下的第一个div节点
xpath(‘/body/div[last()]’) 选取body下最后一个div节点
xpath(‘/body/div[last()-1]’) 选取body下倒数第二个div节点
xpath(‘/body/div[positon()<3]’) 选取body下前两个div节点
xpath(‘/body/div[@class]’) 选取body下带有class属性的div节点
xpath(‘/body/div[@class=”main”]’) 选取body下class属性为main的div节点
xpath(‘/body/div[price>35.00]’) 选取body下price元素值大于35的div节点

示例代码:

from lxml import etree
selector=etree.HTML(html_doc) # 将源码转化为能被XPath匹配的格式 ret=selector.xpath("//p[@class='story']//a[2]") # [<Element a at 0x20d9a188c88>]
ret=selector.xpath("//p[@class='story']//a[last()]") # [<Element a at 0x27a64818d88>]

返回结果是一个Element对象

3. 通配符

Xpath通过通配符来选取未知的XML元素

表达式                 结果
xpath(’/div/*’) 选取div下的所有子节点
xpath(‘/div[@*]’) 选取所有带属性的div节点

示例代码:

ret=selector.xpath("//p[@class='story']/*")
# [<Element a at 0x22c8461bcc8>, <Element a at 0x22c8461bc88>, <Element a at 0x22c8461bd88>]
ret=selector.xpath("//p[@class='story']/a[@class]") # [<Element a at 0x1ebe370bc88>, <Element a at 0x1ebe370bd88>]

4. 取多个路径

使用“|”运算符可以选取多个路径

表达式                         结果
xpath(‘//div|//table’) 选取所有的div和table节点

示例代码:

ret=selector.xpath("//p[@class='story']/a[@class]|//div[@class='d3']")
print(ret)
# [<Element a at 0x1d509bd9cc8>, <Element a at 0x1d509bd9c88>, <Element div at 0x1d509bd9d88>]

5. Xpath轴

轴可以定义相对于当前节点的节点集

轴名称                      表达式                                  描述
ancestor xpath(‘./ancestor::*’) 选取当前节点的所有先辈节点(父、祖父)
ancestor-or-self xpath(‘./ancestor-or-self::*’) 选取当前节点的所有先辈节点以及节点本身
attribute xpath(‘./attribute::*’) 选取当前节点的所有属性
child xpath(‘./child::*’) 返回当前节点的所有子节点
descendant xpath(‘./descendant::*’) 返回当前节点的所有后代节点(子节点、孙节点)
following xpath(‘./following::*’) 选取文档中当前节点结束标签后的所有节点
following-sibing xpath(‘./following-sibing::*’) 选取当前节点之后的兄弟节点
parent xpath(‘./parent::*’) 选取当前节点的父节点
preceding xpath(‘./preceding::*’) 选取文档中当前节点开始标签前的所有节点 preceding-sibling xpath(‘./preceding-sibling::*’) 选取当前节点之前的兄弟节点
self xpath(‘./self::*’) 选取当前节点

6. 功能函数

使用功能函数能够更好的进行模糊搜索

函数                  用法                                                               解释
starts-with xpath(‘//div[starts-with(@id,”ma”)]‘) 选取id值以ma开头的div节点
contains xpath(‘//div[contains(@id,”ma”)]‘) 选取id值包含ma的div节点
and xpath(‘//div[contains(@id,”ma”) and contains(@id,”in”)]‘) 选取id值包含ma和in的div节点
text() xpath(‘//div[contains(text(),”ma”)]‘) 选取节点文本包含ma的div节点

举例1:

# 选取p标签class属性为story,在它下面的a标签id属性为link1的文本信息
ret=selector.xpath("//p[@class='story']/a[@id='link1']/text()")
print(ret) # ['Elsie']

举例2:

# 选取p标签class属性为story,在它下面的a标签id属性以link开头的文本信息
ret=selector.xpath("//p[@class='story']/a[starts-with(@id,'link')]/text()")
print(ret) # ['Elsie', 'Lacie', 'Tillie']

举例3:

# 选取p标签class属性为story,在它下面的a标签id属性包含k的文本信息
ret=selector.xpath("//p[@class='story']/a[contains(@id,'k')]/text()")
print(ret) # ['Elsie', 'Lacie', 'Tillie']

举例4:

# 选取p标签class属性为story,在它下面的a标签class属性包含is的文本信息
ret=selector.xpath("//p[@class='story']/a[contains(@class,'is')]/text()")
print(ret) # ['Elsie', 'Lacie']

举例5:

# 选取p标签class属性为story,在它下面的a标签文本信息包含ie的文本信息
ret=selector.xpath("//p[@class='story']/a[contains(text(),'ie')]/text()")
print(ret) # ['Elsie', 'Lacie', 'Tillie']

Element对象

from lxml.etree import _Element
for obj in ret:
print(obj)
print(type(obj)) # from lxml.etree import _Element '''
Element对象 class xml.etree.ElementTree.Element(tag, attrib={}, **extra)   tag:string,元素代表的数据种类。
  text:string,元素的内容。
  tail:string,元素的尾形。
  attrib:dictionary,元素的属性字典。
  
  #针对属性的操作
  clear():清空元素的后代、属性、text和tail也设置为None。
  get(key, default=None):获取key对应的属性值,如该属性不存在则返回default值。
  items():根据属性字典返回一个列表,列表元素为(key, value)。
  keys():返回包含所有元素属性键的列表。
  set(key, value):设置新的属性键与值。   #针对后代的操作
  append(subelement):添加直系子元素。
  extend(subelements):增加一串元素对象作为子元素。#python2.7新特性
  find(match):寻找第一个匹配子元素,匹配对象可以为tag或path。
  findall(match):寻找所有匹配子元素,匹配对象可以为tag或path。
  findtext(match):寻找第一个匹配子元素,返回其text值。匹配对象可以为tag或path。
  insert(index, element):在指定位置插入子元素。
  iter(tag=None):生成遍历当前元素所有后代或者给定tag的后代的迭代器。#python2.7新特性
  iterfind(match):根据tag或path查找所有的后代。
  itertext():遍历所有后代并返回text值。
  remove(subelement):删除子元素。 '''

本文参考链接:

https://www.cnblogs.com/yuanchenqi/articles/9487175.html

应用案例:安居客

打开安居客二手房链接:

https://beijing.anjuke.com/sale/?from=navigation

需要爬取 标题

python 全栈开发,Day135(爬虫系列之第2章-BS和Xpath模块)

务必使用谷歌浏览器打开,右键检查。找到对应的标签,右键copy-->copy Xpath

python 全栈开发,Day135(爬虫系列之第2章-BS和Xpath模块)

那么就能得到

//*[@id="leftContent"]/ul/li[1]/div/div[1]/a

接下来写代码:

import requests
from lxml import etree # 访问二手房网页
res= requests.get("https://beijing.anjuke.com/sale/?from=navigation") selector=etree.HTML(res.content) # 将html源码转化为能被XPath匹配的格式 # 匹配第一个条信息的标题
ret=selector.xpath('//*[@id="houselist-mod-new"]/li[1]/div[2]/div[1]/a/text()')
print(ret)

执行输出:

['\n                凤凰城二期,高层两居室,看房有钥匙随时,临国际村,金星园澜石']

怎么样,是不是很方便。注意:它能帮你快速生成 XPath表达式。它并不是万能的,在某些动态加载的网页中,可能不适用!

上面的结果只有一条,如果有多条呢?需要自己修改规则了!

XPath Helper

XPath Helper可以支持在网页点击元素生成xpath,整个抓取使用了xpath、正则表达式、消息中间件、多线程调度框架的chrome插件。

这里我已经安装好了

python 全栈开发,Day135(爬虫系列之第2章-BS和Xpath模块)

安装完成之后,在页面右上角,有一个图标

python 全栈开发,Day135(爬虫系列之第2章-BS和Xpath模块)

点击一下,它会弹出一个黑框。将刚才的XPath规则复制到左边,右边会立即显示结果

如果被选中,页面会有黄色标记!

python 全栈开发,Day135(爬虫系列之第2章-BS和Xpath模块)

作业:

爬取链家二手房信息,爬取3页即可!

注意:使用XPath完成!

分解步骤

打开链接二手房链接:

https://bj.lianjia.com/ershoufang/

获取标题

获取第一条信息的标题

python 全栈开发,Day135(爬虫系列之第2章-BS和Xpath模块)

选择所有信息中的标题部分

python 全栈开发,Day135(爬虫系列之第2章-BS和Xpath模块)

使用python代码实现

import requests
from lxml import etree # 访问二手房网页
res= requests.get("https://bj.lianjia.com/ershoufang/") selector=etree.HTML(res.content) # 将html源码转化为能被XPath匹配的格式 # 匹配所有的标题
ret=selector.xpath('//*[@id="leftContent"]/ul/li[*]//div/div/a/text()')
print(ret)

执行输出:

['南向两居室 电梯房 简单装修 适合居住', '惠民家园 ', ...]

那么所有的标题,就获取完成了!