Python3爬虫——用Xpath提取网页信息

前言

本笔记用于记录整理requests库的一些基本知识，内容会根据博主自己的认知作增添或压缩。
水平有限，如有错误请不吝赐教。
本文需要读者初步了解HTML有关节点的相关知识。

Xpath的梗概和安装

XPath即为XML路径语言（XML Path Language），它是一种用来确定XML文档中某部分位置的语言。XPath基于XML的树状结构，提供在数据结构树中找寻节点的能力。使用Xpath最初是用于搜寻XML文档的，但同样适用于HTML文档的搜索。

使用Xpath前，请先保证其已经安装，可以利用pip进行安装：

pip3 install lxml

这里主要用到lxml包内的etree的库，其提供了Xpath的方法。

Xpath常用规则

小试牛刀：

//title[@endtime="2023-02-04"]

意思是选取所有名为title并带有属性endtime为"2023-02-04"的节点

使用Xpath

接入HTML文本

从内存中读取

假设已经存在这样一段HTML文本：

text = '''
<div class="device-notification">
  <a class="device-notification--logo" href="#0">
    <img src="assets/img/logo.png" alt="Global">
    <p>Emoreの云</p>
  </a>
  <p class="device-notification--message">请将手机横向放置以继续体验</p>
</div>
'''

这意味着这段HTML存在内存内，可能是网上抓取来的或是提前读取好的，接入Xpath的方法如下：

import lxml import etree  # 载入etree库
html = etree.HTML(text)  # 构造Xpath解析对象

从文件中读取

假设有一个text.html文件在你的程序所在的文件夹中，里面这需要解析的HTML文本：

from lxml import etree  # 载入etree库
html = etree.parse('./text.html', etree.HTMLParser())  # 从文本构造Xpath解析对象

不论是哪种方法构造Xpath解析对象，etree都会对HTML文本进行修正。如果从文件读取，修正时可能额外出现DOCTYPE声明。

查找节点

所有节点

利用Xpath查找结点时，一般采用以//开头的Xpath规则选择所有符合要求的节点。以上文的HTML文本为例：

>>> html = etree.HTML(text)
>>> result1 = html.xpath('//*')  # *代表选择当前目录的所有节点
>>> print(result1)  # 返回结果是列表
[<Element html at 0x27378d2c440>, <Element body at 0x27378e98140>, <Element div at 0x27378e98300>, <Element a at 0x27378e98400>, <Element img at 0x27378e98440>, <Element p at 0x27378e98480>, <Element p at 0x27378e98240>]
>>> print(result1[0])  # 选取结果中的第一个
<Element html at 0x27378d2c440>

其中Element后面的内容便是节点名，本身不存在的html节点和body节点都自动补全了。

指定节点

将//后面的内容换成节点名，即可查找指定节点，如查询上文所有的p节点：

>>> result2 = html.xpath('//p')
>>> print(result2)
[<Element p at 0x27378e98480>, <Element p at 0x27378e98240>]

同时可以查询具有指定属性的p节点，只需要在节点名后面附带筛选属性，利用[@]将其包裹起来：

>>> result3 = html.xpath('//p[@class="device-notification--message"]')
>>> print(result3)
[<Element p at 0x27378e98240>]

如此只返回了最后一个p节点。

属性多值匹配

有的属性不止有一个值(上文HTML并没有这种情况)，需要用contains()方法进行匹配。该方法第一个参数为属性名，第二个参数填入属性值，只要拥有该属性值的节点都会被返回。

result = html.xpath('//p[contains(@class, "device-notification--message")]')

多属性匹配

需要通过多个属性匹配一个节点，可以利用and进行连接，比如匹配一个class含有值device并且name为Emore的p节点：

result = html.xpath('//p[contains(@class, "device") and @name="Emore"]')  # 仅举例

除了and，Xpath还含有很多运算符(摘自菜鸟编程)，

选择顺序

有时候有两个或者多个节点，可以像列表一样选择其中某个节点。需要注意的是，Xpath是从1开始计数的。

# 仅举例
result = html.xpath('//div/p[0]')  # 选择第一个p节点
result = html.xpath('//div/p[last()]')  # 选择最后一个p节点
result = html.xpath('//div/p[posision()<3]')  # 选择前面两个p节点
result = html.xpath('//div/p[last()-2]')  # 选择倒数第三个p节点 

查找子孙节点

查找子孙节点只需要像文件路径一样/下去就好了，不同的是/是只访问直接子节点，而//是访问所有的子孙节点：

例如我需要寻找div节点下的p节点：

>>> result4 = html.xpath('//div/p')  # 利用'/'搜索节点p
>>> result5 = html.xpath('//div//p')  # 利用'//'搜索节点p
>>> print(result4)
[<Element p at 0x27378e98240>]
>>> print(result5)
[<Element p at 0x27378e98480>, <Element p at 0x27378e98240>]

div节点的直接子节点中含有一个p节点，还有一个a节点。其中a节点内含有一个img节点和一个p节点。利用/只检索到一个p节点，而利用//检索到了两个p节点，即访问了子节点和孙节点。

查找父节点

同样类似命令cd ..打开上级目录，Xpath中的..可以用于进入父节点。

>>> result6 = html.xpath('//div/p/../a/img')
>>> print(result6)
[<Element img at 0x27378e98440>]

首先进入了div节点的p节点，然后从p节点返回绕到了a节点，并取得里面的img节点。

获得属性和文本

利用Xpath内的text()方法可以获得节点的文本，利用@可以获得指定属性的值。

>>> print(result7)
['请将手机横向放置以继续体验']
>>> result8 = html.xpath('//div/p/@class')
>>> print(result8)
['device-notification--message']

同样输出为列表。

节点轴选择

通过轴节点可以快速选择具有相关关系的节点，如选择div节点的所有直接子节点：

>>> result10 = html.xpath('//div/child::*')
>>> print(result10)
[<Element a at 0x27378e98400>, <Element p at 0x27378e98240>]

首先需要调用child轴，获得所有匹配的节点，然后使用两个冒号::进入选择器，接着用*选择所有节点。

还有很多轴可供选择(摘自菜鸟编程)：

小结

使用XPath可以快速而准确地进行HTML节点选择，并提取信息，但是要注意构造XPath表达式，以避免提取错误。

同时还有一些需要注意的地方：

• 顺序选择节点时，起始数为1
• 选择文本的时候需要精准地进入节点，否则text()会返回错误的文本，如一个换行符或一个缩进。