10.爬虫---XPath插件安装并解析爬取数据

10.XPath插件安装并解析爬取数据

- 1.XPath简介
- 2.XPath helper安装
- 3.XPath 常用规则
- 4.实例引入
- - 4.1 `//`匹配`所有节点`
  - 4.2 `/` 或 `//` 匹配`子节点`或`子孙节点`
  - 4.3 `..`或 `parent::`匹配`父节点`
  - 4.4 `@`匹配`属性`
  - 4.5 `text()`文本获取
  - 4.6 `@`属性获取
  - 4.7 属性多值匹配

1.XPath简介

XPath是一门在XML文档中查找信息的语言，它使用路径表达式来选取XML文档中的节点或者节点集。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，允许开发者精确地定位XML文档中的元素、属性或节点集。

2.XPath helper安装

XPath Helper是一款专用于chrome内核浏览器的实用型爬虫网页解析工具

下载地址：xpath helper下载地址

在这里插入图片描述
下载后得到了后缀.crx 的一个文件，然后打开谷歌浏览器的设置—>拓展程序—>管理拓展程序

把XPath_Helper2.0.2.crx文件鼠标左键拖入拓展程序界面，然后添加拓展程序

XPath_Helper 就安装好了

把XPath_Helper固定为快捷方式
在这里插入图片描述

3.XPath 常用规则

表　达　式	描　　述
`nodename`	选取此节点的所有子节点
`/`	从当前节点选取直接子节点
`//`	从当前节点选取子孙节点
`.`	选取当前节点
`..`	选取当前节点的父节点
`@`	选取属性
`[]`	表示谓词，用于筛选符合条件的节点

4.实例引入

在这里插入图片描述

复制后的XPath如下:

//*[@id="content"]/div/div[1]/div/div/table[1]/tbody/tr

把复制的XPath 粘贴到 XPath_Helper
在这里插入图片描述
上面的 xpath语法只匹配了一项这样的数据，接下来我们来匹配多项这样的数据，把角标去了得到下面匹配多项的语法

//*[@id="content"]/div/div/div/div/table/tbody/tr

在这里插入图片描述
这样就匹配到了多项这样的数据

我们用这部分代码来分析：

<tr class="item"><td width="100" valign="top"><a class="nbg" href="https://movie.douban.com/subject/34971728/" title="盟军敢死队"><img src="https://img9.doubanio.com/view/photo/s_ratio_poster/public/p2908456064.webp" width="75" alt="盟军敢死队" class=""></a></td><td valign="top"><div class="pl2"><a href="https://movie.douban.com/subject/34971728/" class="">盟军敢死队/ <span style="font-size:13px;" class="">绝密型战 / 无限制军团(港)</span></a><p class="pl">2024-04-18(中国香港) / 2024-04-19(美国) / 2024-05-24(中国大陆) / 亨利·卡维尔 / 艾莎·冈萨雷斯 / 阿兰·里奇森 / 亚历克斯·帕蒂弗 / 赫洛·费因斯-提芬 / 巴布斯·奥卢桑莫昆 / 亨利·扎格 / 蒂尔·施威格 / 亨利·戈尔丁 / 加利·艾尔维斯 / 弗莱迪·福克斯...</p><div class="star clearfix"><span class="allstar35"></span><span class="rating_nums">7.1</span><span class="pl">(20708人评价)</span></div></div></td>
</tr>

使用之前，首先要确保安装好 lxml 库。如尚未安装，可以使用 pip3 来安装：

pip3 install lxml

from lxml import etree
text = '''
<tr class="item"><td width="100" valign="top"><a class="nbg" href="https://movie.douban.com/subject/34971728/" title="盟军敢死队"><img src="https://img9.doubanio.com/view/photo/s_ratio_poster/public/p2908456064.webp" width="75" alt="盟军敢死队" class=""></a></td><td valign="top"><div class="pl2"><a href="https://movie.douban.com/subject/34971728/" class="">盟军敢死队/ <span style="font-size:13px;" class="">绝密型战 / 无限制军团(港)</span></a><p class="pl">2024-04-18(中国香港) / 2024-04-19(美国) / 2024-05-24(中国大陆) / 亨利·卡维尔 / 艾莎·冈萨雷斯 / 阿兰·里奇森 / 亚历克斯·帕蒂弗 / 赫洛·费因斯-提芬 / 巴布斯·奥卢桑莫昆 / 亨利·扎格 / 蒂尔·施威格 / 亨利·戈尔丁 / 加利·艾尔维斯 / 弗莱迪·福克斯...</p><div class="star clearfix"><span class="allstar35"></span><span class="rating_nums">7.1</span><span class="pl">(20708人评价)</span></div></div></td>
</tr>
'''
#方法一: 读取text 文本
html = etree.HTML(text) 
#方法二: 读取html文件
# html = etree.parse('./test.html', etree.HTMLParser())
result = etree.tostring(html)
print(result.decode('utf-8'))

etree.HTML(text) 方法一: 读取text 文本
etree.parse('./test.html', etree.HTMLParser()) 法二: 读取html文件

经过这两种方法处理之后，节点标签被补全，并且还自动添加了 body、html 节点
结果:
在这里插入图片描述
好家伙，unicode 编码，还需要再转一次 unicode 转中文，用 html 模块下的 unescape 方法
修改后的代码:

from lxml import etree
import html
text = '''
<tr class="item"><td width="100" valign="top"><a class="nbg" href="https://movie.douban.com/subject/34971728/" title="盟军敢死队"><img src="https://img9.doubanio.com/view/photo/s_ratio_poster/public/p2908456064.webp" width="75" alt="盟军敢死队" class=""></a></td><td valign="top"><div class="pl2"><a href="https://movie.douban.com/subject/34971728/" class="">盟军敢死队/ <span style="font-size:13px;" class="">绝密型战 / 无限制军团(港)</span></a><p class="pl">2024-04-18(中国香港) / 2024-04-19(美国) / 2024-05-24(中国大陆) / 亨利·卡维尔 / 艾莎·冈萨雷斯 / 阿兰·里奇森 / 亚历克斯·帕蒂弗 / 赫洛·费因斯-提芬 / 巴布斯·奥卢桑莫昆 / 亨利·扎格 / 蒂尔·施威格 / 亨利·戈尔丁 / 加利·艾尔维斯 / 弗莱迪·福克斯...</p><div class="star clearfix"><span class="allstar35"></span><span class="rating_nums">7.1</span><span class="pl">(20708人评价)</span></div></div></td>
</tr>
'''
htmls = etree.HTML(text)
result = etree.tostring(htmls).decode('utf-8')
print(html.unescape(result))

修改后的结果:
在这里插入图片描述

4.1 `//`匹配`所有节点`

html = etree.HTML(text)
result = html.xpath('//*')
print(result)

运行结果:

[<Element html at 0x14cfea8ef80>, <Element body at 0x14c8bdf7540>, <Element tr at 0x14c8be450c0>, <Element td at 0x14c8be44fc0>, <Element a at 0x14c8be45100>, <Element img at 0x14c8be451c0>, <Element td at 0x14c8be45340>, <Element div at 0x14c8be45440>, <Element a at 0x14c8be45400>, <Element span at 0x14c8be45180>, <Element p at 0x14c8be452c0>, <Element div at 0x14c8be45500>, <Element span at 0x14c8be45540>, <Element span at 0x14c8be45580>, <Element span at 0x14c8be455c0>]

这里使用 * 代表匹配所有节点，也就是整个 HTML 文本中的所有节点都会被获取。可以看到，返回形式是一个列表，每个元素是 Element 类型，其后跟了节点的名称，如 html、body、div、ul、li、a 等，所有节点都包含在列表中了

如果想获取所有 <span> 节点，示例如下:

html = etree.HTML(text)
result = html.xpath('//span')
print(result)

运行结果:

[<Element span at 0x29a110e7540>, <Element span at 0x29a111450c0>, <Element span at 0x29a11144fc0>, <Element span at 0x29a11145100>]

4.2 `/` 或 `//` 匹配`子节点`或`子孙节点`

获取<td> 下的直接子节点

html = etree.HTML(text)
result = html.xpath('//td/a')
print(result)

结果:

[<Element a at 0x2522492f540>]

在这里插入图片描述

获取<td> 下的子孙节点

html = etree.HTML(text)
result = html.xpath('//td//a')
print(result)

结果:

[<Element a at 0x21f6c4d7540>, <Element a at 0x21f6c535040>]

在这里插入图片描述

这里我们要注意 / 和 // 的区别，其中 / 用于获取直接子节点，// 用于获取子孙节点。

4.3 `..`或 `parent::`匹配`父节点`

现在首先选中 width 属性为 100 的 td 节点，然后获取其父节点，再获取其 class 属性，相关代码如下：

html = etree.HTML(text)
result = html.xpath('//td[@width="100"]/../@class')
print(result)

html = etree.HTML(text)
result = html.xpath('//td[@width="100"]/parent::*/@class')
print(result)

结果:

['item']

在这里插入图片描述

4.4 `@`匹配`属性`

选取 class 为 rating_nums 的 span 节点，可以这样实现:

html = etree.HTML(text)
result = html.xpath('//span[@class="rating_nums"]')
print(result)

结果:

[<Element span at 0x280c13a8b80>]

在这里插入图片描述

4.5 `text()`文本获取

text 方法获取节点中的文本，接下来尝试获取前面 p 节点中的文本

html = etree.HTML(text)
result = html.xpath('//p[@class="pl"]/text()')
print(result)

结果:

['2024-04-18(中国香港) / 2024-04-19(美国) / 2024-05-24(中国大陆) / 亨利·卡维尔 / 艾莎·冈萨雷斯 / 阿兰·里奇森 / 亚历克斯·帕蒂弗 / 赫洛·费因斯-提芬 / 巴布斯·奥卢桑莫昆 / 亨利·扎格 / 蒂尔·施威格 / 亨利·戈尔丁 / 加利·艾尔维斯 / 弗莱迪·福克斯...']

在这里插入图片描述

4.6 `@`属性获取

我们知道用 text 方法可以获取节点内部文本，那么节点属性该怎样获取呢？其实还是用 @ 符号就可以。例如，我们想获取所有 a 节点的 href 属性，代码如下：

html = etree.HTML(text)
result = html.xpath('//a/@href')
print(result)

结果:

['https://movie.douban.com/subject/34971728/', 'https://movie.douban.com/subject/34971728/']

在这里插入图片描述

4.7 属性多值匹配

有时候，某些节点的某个属性可能有多个值，例如：
在这里插入图片描述

html = etree.HTML(text)
result = html.xpath('//div[@class="star"]')
print(result)

这里 HTML 文本中 div 节点的 class 属性有两个值 star 和 clearfix，此时如果还想用之前的属性匹配获取，就无法匹配了，此时的运行结果如下：

[]

这时就需要用 contains 方法了，代码可以改写如下：

html = etree.HTML(text)
result = html.xpath('//div[contains(@class, "star")]')
print(result)

这样通过 contains 方法，给其第一个参数传入属性名称，第二个参数传入属性值，只要此属性包含所传入的属性值，就可以完成匹配了
此时运行结果如下：

[<Element div at 0x1f696514e80>]

其他一些高级用法可参考
1.w3school: http://www.w3school.com.cn/xpath/xpath_axes.asp
2.Python爬虫杂记 - Xpath高级用法：https://www.jianshu.com/p/4fef4142b33f