python爬虫系列之 xpath：html解析神器

一、前言

通过前面的文章，我们已经知道了如何获取网页和下载文件，但是前面我们获取的网页都是未经处理的，冗余的信息太多，无法进行分析和利用

这一节我们就来学习怎么从网页中筛选自己需要的信息

说到信息筛选我们立马就会想到正则表达式，不过今天我们不讲正则表达式。因为对于爬虫来讲，正则表达式太复杂对新手十分不友好，而且正则表达式的容错率差，网页有稍微的改动就得重新写匹配表达式，另外正则表达式可读性几乎没有。

当然，这并不是说正则不好，只是正则不适合爬虫和新手。其实正则是十分强大的，在后面的数据清洗里我们会用到正则。

既然正则不能用，那该用什么呢？别担心，python为我们提供了很多解析 html页面的库，其中常用的有：

• bs4中的 BeautifulSoup
• lxml中的 etree（一个 xpath解析库）

BeautifulSoup类似 jQuery的选择器，通过 id、css选择器和标签来查找元素，xpath主要通过 html节点的嵌套关系来查找元素，和文件的路径有点像，比如：

#获取 id为 tab的 table标签下所有 tr标签
path = '//table[@id="tab"]//tr'
#和文件路径对比
path = 'D:\Github\hexo\source\_posts'

BeautifulSoup和 xpath没有好坏优劣之分，讲 xpath是因为个人觉得 xpath更好用一些，后面如果时间允许的话再讲 BeautifulSoup。

现在，让我们先从 xpath开始！

二、xpath的安装和使用

1. 安装 lxml库 pip install lxml
2. 简单的使用 在使用 xpath之前，先导入 etree类，对原始的 html页面进行处理获得一个_Element对象 我们可以通过_Element对象来使用 xpath #导入 etree类 from lxml import etree #作为示例的 html文本 html = '''<div class="container"> <div class="row"> <div class="col"> <div class="card"> <div class="card-content"> <a href="#123333" class="box"> 点击我 </a> </div> </div> </div> </div> </div>''' #对 html文本进行处理 获得一个_Element对象 dom = etree.HTML(html) #获取 a标签下的文本 a_text = dom.xpath('//div/div/div/div/div/a/text()') print(a_text) 打印结果：

result-1 熟悉 html的朋友都知道在 html中所有的标签都是节点。一个 html文档是一个文档节点，一个文档节点包含一个节点树，也叫做 dom树。 节点树中的节点彼此拥有层级关系。 父（parent）、子（child）和同胞（sibling）等术语用于描述这些关系。父节点拥有子节点。同级的子节点被称为同胞（兄弟或姐妹）。

• 在节点树中，顶端节点被称为根（root）
• 每个节点都有父节点、除了根（它没有父节点）
• 一个节点可拥有任意数量的子
• 同胞是拥有相同父节点的节点

from w3school：http://www.w3school.com.cn/htmldom/dom_nodes.asp 另外，我们把距离某个节点最近的子节点叫做它的直接子节点，如下图所示的 body和 head就是 html的直接子节点

dom树 w3school 了解了 html结构之后我们再来看 xpath的使用。 首先，我们通过 etree.HTML( )来生成一个_Element对象，etree.HTML() 会将传入的文本处理成一个 html文档节点。这样就能保证我们总是能获得一个包含文档节点的_Element对象。

1. xpath语法
   • a / b ：‘/’在 xpath里表示层级关系，左边的 a是父节点，右边的 b是子节点，这里的 b是 a的直接子节点
   • a // b：两个 / 表示选择所有 a节点下的 b节点（可以是直接子节点，也可以不是），在上面的例子中我们要选择 a标签是这样写的 a_text = dom.xpath('//div/div/div/div/div/a/text()') #用 // a_text = dom.xpath('//div//a/text()') #如果 div标签下有两个 a标签，那么这两个 a标签都会被选择（注意两个 a标签并不一定是兄弟节点） #比如下面的例子中的两个 a标签都会被选择 因为这两个 a标签都是 div的子节点 '''<div class="container"> <div class="row"> <div class="col"> <div class="card"> <a href="#123332" class="box"> 点击我 </a> <div class="card-content"> <a href="#123333" class="box"> 点击我 </a> </div> </div> </div> </div> </div>'''
   • [@]：选择具有某个属性的节点
     • //div[@classs], //a[@x]：选择具有 class属性的 div节点、选择具有 x属性的 a节点
     • //div[@class="container"]：选择具有 class属性的值为 container的 div节点
   • //a[contains(text(), "点")]：选择文本内容里含有 “点” 的 a标签，比如上面例子中的两个 a标签
   • //a[contains(@id, "abc")]：选择 id属性里有 abc的 a标签，如 #这两条 xpath规则都可以选取到例子中的两个 a标签 path = '//a[contains(@href, "#123")]' path = '//a[contains(@href, "#1233")]'
   • //a[contains(@y, "x")]：选择有 y属性且 y属性包含 x值的 a标签

总结

1. 使用 xpath之前必须先对 html文档进行处理
2. html dom树中所有的对象都是节点，包括文本，所以 text()其实就是获取某个标签下的文本节点
3. 通过_Element对象的 xpath方法来使用 xpath
4. 注意！！！_Element.xpath( path) 总是返回一个列表

有问题欢迎评论

下一篇实战我们会用 requests和 xpath写一个批量下载壁纸的爬虫