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

「爱情、让人受尽委屈。」 2022-02-02 08:11 283阅读 0赞

# [python 全栈开发，Day135(爬虫系列之第2章-BS和Xpath模块)][python _Day135_2_-BS_Xpath] #

# 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：

![1341090-20180928192436492-281056929.png][]

[官方文档][Link 1]

### 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：

![ContractedBlock.gif][] ![ExpandedBlockStart.gif][]

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：

![ContractedBlock.gif][] ![ExpandedBlockStart.gif][]

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：

![ContractedBlock.gif][] ![ExpandedBlockStart.gif][]

<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：

![ContractedBlock.gif][] ![ExpandedBlockStart.gif][]

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：

![ContractedBlock.gif][] ![ExpandedBlockStart.gif][]

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][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：

![ContractedBlock.gif][] ![ExpandedBlockStart.gif][]

[<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：

![ContractedBlock.gif][] ![ExpandedBlockStart.gif][]

[<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：

![ContractedBlock.gif][] ![ExpandedBlockStart.gif][]

[<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：

![ContractedBlock.gif][] ![ExpandedBlockStart.gif][]

[<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：

![ContractedBlock.gif][] ![ExpandedBlockStart.gif][]

[<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：

![ContractedBlock.gif][] ![ExpandedBlockStart.gif][]

#### 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：

![ContractedBlock.gif][] ![ExpandedBlockStart.gif][]

['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：

![ContractedBlock.gif][] ![ExpandedBlockStart.gif][]

[<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：

![ContractedBlock.gif][] ![ExpandedBlockStart.gif][]

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][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][Link 2]

# 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][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

![1341090-20180929103259415-1561405804.png][]

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

![1341090-20180929102245148-680119492.png][]

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

![1341090-20180929103933677-973530943.png][]

安装完成之后，在页面右上角，有一个图标

![1341090-20180929104008279-1806435560.png][]

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！

![1341090-20180929104059746-1205931614.png][]

## 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

![1341090-20180929113740146-1605715024.png][]

选择所有信息中的标题部分

![1341090-20180929113906072-885722840.png][]

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！

posted @ 2018-09-28 19:58 [肖祥][Link 3] 阅读( ...) 评论( ...) [编辑][Link 4] 收藏

[python _Day135_2_-BS_Xpath]: https://www.cnblogs.com/xiao987334176/p/9720562.html
[1341090-20180928192436492-281056929.png]: /images/20220202/198a998dafc04c6bbfa305aef5bf7e1f.png
[Link 1]: https://beautifulsoup.readthedocs.io/zh_CN/latest/
[ContractedBlock.gif]: https://images.cnblogs.com/OutliningIndicators/ContractedBlock.gif
[ExpandedBlockStart.gif]: /images/20220202/0af98130a10b4c9bafd830e03e7743db.png
[https_www.cnblogs.com_majj_p_9102890.html]: https://www.cnblogs.com/majj/p/9102890.html
[https_www.crummy.com_software_BeautifulSoup_bs4_doc_index.zh.html_find-parents-find-parent]: https://www.crummy.com/software/BeautifulSoup/bs4/doc/index.zh.html#find-parents-find-parent
[Link 2]: https://www.crummy.com/software/BeautifulSoup/bs4/doc/index.zh.html#id40
[https_www.cnblogs.com_yuanchenqi_articles_9487175.html]: https://www.cnblogs.com/yuanchenqi/articles/9487175.html
[1341090-20180929103259415-1561405804.png]: /images/20220202/534f3f5ed4d146d49adbec8d30aaf25a.png
[1341090-20180929102245148-680119492.png]: /images/20220202/484bfc0c3ec1414ebd0905ba6c92a91e.png
[1341090-20180929103933677-973530943.png]: /images/20220202/c465168e7763428f9620512b1770a50a.png
[1341090-20180929104008279-1806435560.png]: /images/20220202/5cd8568b90d343ee997e2c315cd8efab.png
[1341090-20180929104059746-1205931614.png]: /images/20220202/31597a35d5514a208746bc22e252d266.png
[1341090-20180929113740146-1605715024.png]: /images/20220202/b73541f823b34494ab031e08778a14b3.png
[1341090-20180929113906072-885722840.png]: /images/20220202/9f3e60dce0254e929dfc260fa6658e7f.png
[Link 3]: https://www.cnblogs.com/xiao987334176/
[Link 4]: https://i.cnblogs.com/EditPosts.aspx?postid=9720562