数据提取-XPath语法与lxml库

不念不忘少年蓝@ 2022-03-26 08:48 340阅读 0赞

# XPath简介 #

XPath（XML Path Language） 是一门在 XML 文档中查找信息的语言。XPath 可用来在 XML 文档中对元素和属性进行遍历。XPath 是 W3C XSLT 标准的主要元素，并且 XQuery 和 XPointer 都构建于 XPath 表达之上。因此，对 XPath 的理解是很多高级 XML 应用的基础。

### XPath开发工具 ###

1.  Chrome插件XPath Helper
2.  Firefox插件Try XPath

### XPath基本语法 ###

*  选取节点  
    XPath 使用路径表达式在 XML 文档中选取节点。节点是通过沿着路径或者 step 来选取的。

<table> 
 <thead> 
  <tr> 
   <th>表达式</th> 
   <th>作用</th> 
   <th>示例</th> 
   <th>结果</th> 
  </tr> 
 </thead> 
 <tbody> 
  <tr> 
   <td>nodename</td> 
   <td>选取此节点的所有子节点。</td> 
   <td>bookstore</td> 
   <td>选取 bookstore 元素的所有子节点。</td> 
  </tr> 
  <tr> 
   <td>/</td> 
   <td>从根节点选取。</td> 
   <td>/bookstore</td> 
   <td>选取根元素 bookstore。假如路径起始于正斜杠( / )，则此路径始终代表到某元素的绝对路径！</td> 
  </tr> 
  <tr> 
   <td>//</td> 
   <td>从匹配选择的当前节点选择文档中的节点，而不考虑它们的位置。</td> 
   <td>//book</td> 
   <td>选取所有 book 子元素，而不管它们在文档中的位置。</td> 
  </tr> 
  <tr> 
   <td>.</td> 
   <td>选取当前节点。</td> 
   <td>./book</td> 
   <td>选取当前节点下的book子元素</td> 
  </tr> 
  <tr> 
   <td>@</td> 
   <td>选取属性。</td> 
   <td>//@lang</td> 
   <td>选取名为 lang 的所有属性。</td> 
  </tr> 
 </tbody> 
</table>

1.  谓语  
    谓语用来查找某个特定的节点或者包含某个指定的值的节点。谓语被嵌在方括号中。

<table> 
 <thead> 
  <tr> 
   <th>路径表达式</th> 
   <th>结果</th> 
  </tr> 
 </thead> 
 <tbody> 
  <tr> 
   <td>/bookstore/book[1]</td> 
   <td>选取属于 bookstore 子元素的第一个 book 元素。</td> 
  </tr> 
  <tr> 
   <td>/bookstore/book[last()]</td> 
   <td>选取属于 bookstore 子元素的最后一个 book 元素。</td> 
  </tr> 
  <tr> 
   <td>/bookstore/book[last()-1]</td> 
   <td>选取属于 bookstore 子元素的倒数第二个 book 元素。</td> 
  </tr> 
  <tr> 
   <td>/bookstore/book[position()&lt; 3]</td> 
   <td>选取最前面的两个属于 bookstore 元素的子元素的 book 元素。</td> 
  </tr> 
  <tr> 
   <td>//title[@lang]</td> 
   <td>选取所有拥有名为 lang 的属性的 title 元素。</td> 
  </tr> 
  <tr> 
   <td>//title[@lang=‘eng’]</td> 
   <td>选取所有 title 元素，且这些元素拥有值为 eng 的 lang 属性。</td> 
  </tr> 
  <tr> 
   <td>/bookstore/book[price&gt;35.00]</td> 
   <td>选取 bookstore 元素的所有 book 元素，且其中的 price 元素的值须大于 35.00。</td> 
  </tr> 
  <tr> 
   <td>/bookstore/book[price&gt;35.00]/title</td> 
   <td>选取 bookstore 元素中的 book 元素的所有 title 元素，且其中的 price 元素的值须大于 35.00。</td> 
  </tr> 
 </tbody> 
</table>

1.  选取未知节点  
    XPath 通配符可用来选取未知的 XML 元素

<table> 
 <thead> 
  <tr> 
   <th>通配符</th> 
   <th>描述</th> 
   <th>示例</th> 
   <th>结果</th> 
  </tr> 
 </thead> 
 <tbody> 
  <tr> 
   <td>*</td> 
   <td>匹配任何元素节点。</td> 
   <td>/bookstore/*</td> 
   <td>选取 bookstore 元素的所有子元素。</td> 
  </tr> 
  <tr> 
   <td>@*</td> 
   <td>匹配任何属性节点。</td> 
   <td>//*</td> 
   <td>选取文档中的所有元素。</td> 
  </tr> 
  <tr> 
   <td>node()</td> 
   <td>匹配任何类型的节点。</td> 
   <td>//title[@*]</td> 
   <td>选取所有带有属性的 title 元素。</td> 
  </tr> 
 </tbody> 
</table>

1.  选取若干路径  
    通过在路径表达式中使用“|”运算符，您可以选取若干个路径。

<table> 
 <thead> 
  <tr> 
   <th>路径表达式</th> 
   <th>结果</th> 
  </tr> 
 </thead> 
 <tbody> 
  <tr> 
   <td>//book/title | //book/price</td> 
   <td>选取 book 元素的所有 title 和 price 元素。</td> 
  </tr> 
  <tr> 
   <td>//title | //price</td> 
   <td>选取文档中的所有 title 和 price 元素。</td> 
  </tr> 
  <tr> 
   <td>/bookstore/book/title | //price</td> 
   <td>选取属于 bookstore 元素的 book 元素的所有 title 元素，以及文档中所有的 price 元素。</td> 
  </tr> 
 </tbody> 
</table>

# lxml库 #

lxml是功能最丰富且易于使用的库，用于处理Python语言中的XML和HTML。它的独特之处在于它将这些库的速度和XML特性完整性与原生Python API的简单性相结合，大多数兼容但优于众所周知的 ElementTree API。最新版本适用于2.7到3.7的所有CPython版本

### 遇到的问题 ###

from lxml import etree

显示有错误

Cannot find reference 'etree' in '__init__.py' more... (Ctrl+F1)

![在这里插入图片描述][20190116210236800.png]  
这个其实不是错误，不影响正常使用。无视就可以了。。

### 基本使用 ###

解析html字符串

from lxml import etree
    import  requests
    
    url = 'https://jobs.51job.com/all/co4229797.html#syzw'
    r = requests.get(url)
    
    # etree.HTML()解析HTML格式的文本
    html = etree.HTML(r.text)
    
    #由于html是字节流，需要转换成字符串
    print(etree.tostring(html, encoding='utf-8').decode('utf-8'))

解析html文件

from lxml import etree
    import  requests
    
    #如果是XML格式可以创建XML解析器
    #创建XML解析器示例：
    #parser = etree.XMLParser(encoding='utf-8')
    
    #创建HTML解析器
    parser = etree.HTMLParser(encoding='utf-8')
    
    # 用创建的解析器解析文本
    html = etree.parse(‘文件名’,parser=parser)
    
    #由于html是字节流，需要转换成字符串
    print(etree.tostring(html, encoding='utf-8').decode('utf-8'))

### XPath和lxml库结合爬取51job某公司招聘的职位列表 ###

网页  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L0w4MzUzMTEzMjQ_size_16_color_FFFFFF_t_70]

from lxml import etree
    import  requests
    
    url = 'https://jobs.51job.com/all/co4229797.html#syzw'
    headers={ 
        'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/68.0.3440.106 Safari/537.36'
    }
    
    r = requests.get(url,headers=headers)
    html = etree.HTML(r.text)
    
    divs = html.xpath('//div[@class="el"]')
    positions = []
    
    for div in divs:
        href = div.xpath('./p/a/@href')[0]
        title = div.xpath('./p/a/@title')[0]
        requirement = div.xpath('.//span/text()')[0]
        address = div.xpath('.//span/text()')[1]
        salary = div.xpath('.//span/text()')[2]
        date = div.xpath('.//span/text()')[3]
        position = { 
            '链接':href,
            '职位':title,
            '要求':requirement,
            '地址':address,
            '薪资':salary,
            '日期':date
        }
        positions.append(position)
    
    for  i in positions:
        for key,value in i.items() :
            print("{!s}:{!s}".format(key,value))

效果  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L0w4MzUzMTEzMjQ_size_16_color_FFFFFF_t_70 1]

# divs = html.xpath('//div[@class="el"]')
    # XPath获取到的结果，返回的是个列表，这是只是第一个元素，并不是全部
    
    <div class="el">
    		<p class="t1"><a target="_blank" href="https://jobs.51job.com/shenzhen-ftq/106687916.html?s=04" class=" zw-name" title="JavaScript前端开发工程师">JavaScript前端开发工程师</a></p>
    		<span class="t2">2年经验 | 本科 | 招2人</span>
    		<span class="t3">深圳-福田区</span>
    		<span class="t4">1.5-2万/月</span>
    		<span class="t5">01-16</span>
    	</div>

参考链接

*  [http://www.w3school.com.cn/xpath/xpath\_syntax.asp][http_www.w3school.com.cn_xpath_xpath_syntax.asp]
 *  [https://lxml.de/tutorial.html\#parser-objects][https_lxml.de_tutorial.html_parser-objects]

[20190116210236800.png]: /images/20220326/d69f20a3afce4492921a13a8e4d604bf.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L0w4MzUzMTEzMjQ_size_16_color_FFFFFF_t_70]: /images/20220326/91300e7a4a554b12bfa43c215c8da50b.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L0w4MzUzMTEzMjQ_size_16_color_FFFFFF_t_70 1]: /images/20220326/5e506a30ba6f49baac850c82c35badd4.png
[http_www.w3school.com.cn_xpath_xpath_syntax.asp]: http://www.w3school.com.cn/xpath/xpath_syntax.asp
[https_lxml.de_tutorial.html_parser-objects]: https://lxml.de/tutorial.html#parser-objects