文章目录
- 一. XML
- 1. XML 和 HTML 的区别
- 2. XML文档示例
- 3. HTML DOM 模型示例
- 4. XML的节点关系
- 二. 什么是XPath？
- 1. 选取节点
- 2. 谓语（Predicates）
- 3. 选取未知节点
- 4. 选取若干路径
- 5. XPath的运算符
- 三. lxml库
- 1. 初步使用
- 2. 文件读取
- 四. XPath实例测试
- 1. 获取所有的 < li> 标签
- 2. 继续获取< li> 标签的所有 class属性
- 3. 继续获取< li>标签下href 为 link1.html 的 < a> 标签
- 4. 获取< li> 标签下的所有 < span> 标签
- 5. 获取 < li> 标签下的< a>标签里的所有 class
- 6. 获取最后一个 < li> 的 < a> 的 href
- 7. 获取倒数第二个元素的内容
- 8. 获取 class 值为 bold 的标签名
一. XML
有人说，我正则用的不好，处理HTML文档很累，有没有其他的方法？
有！那就是XPath，我们可以先将 HTML文件 转换成 XML文档，然后用 XPath 查找 HTML 节点或元素。
- XML 指可扩展标记语言（EXtensible Markup Language）
- XML 是一种标记语言，很类似 HTML
- XML 的设计宗旨是传输数据，而非显示数据
- XML 的标签需要我们自行定义。
- XML 被设计为具有自我描述性。
- XML 是 W3C 的推荐标准
W3School官方文档：http://www.w3school.com.cn/xml/index.asp
1. XML 和 HTML 的区别
2. XML文档示例
<?xml version="1.0" encoding="utf-8"?><bookstore><book category="cooking"><title lang="en">Everyday Italian</title> <author>Giada De Laurentiis</author> <year>2005</year> <price>30.00</price></book> <book category="children"><title lang="en">Harry Potter</title> <author>J K. Rowling</author> <year>2005</year> <price>29.99</price></book> <book category="web"><title lang="en">XQuery Kick Start</title> <author>James McGovern</author> <author>Per Bothner</author> <author>Kurt Cagle</author> <author>James Linn</author> <author>Vaidyanathan Nagarajan</author> <year>2003</year> <price>49.99</price></book><book category="web" cover="paperback"><title lang="en">Learning XML</title> <author>Erik T. Ray</author> <year>2003</year> <price>39.95</price></book></bookstore>
3. HTML DOM 模型示例
HTML DOM 定义了访问和操作 HTML 文档的标准方法，以树结构方式表达 HTML 文档。
4. XML的节点关系
下面一个简单的XML例子中：
<?xml version="1.0" encoding="utf-8"?><bookstore><book><title>Harry Potter</title><author>J K. Rowling</author><year>2005</year><price>29.99</price></book></bookstore>
- 父（Parent） 每个元素以及属性都有一个父。book 元素是 title、author、year 以及 price 元素的父。
- 子（Children）元素节点可有零个、一个或多个子。title、author、year 以及 price 元素都是 book 元素的子。
- 同胞（Sibling）拥有相同的父的节点。title、author、year 以及 price 元素都是同胞。
- 先辈（Ancestor）某节点的父、父的父，等等。title 元素的先辈是 book 元素和 bookstore 元素。
- 后代（Descendant）某个节点的子，子的子，等等。bookstore 的后代是 book、title、author、year 以及 price 元素。
二. 什么是XPath？
XPath (XML Path Language) 是一门在 XML 文档中查找信息的语言，可用来在 XML 文档中对元素和属性进行遍历。
W3School官方文档：http://www.w3school.com.cn/xpath/index.asp
XPath 开发工具
开源的XPath表达式编辑工具:XMLQuire(XML格式文件可用)
Chrome插件 XPath Helper
Firefox插件 XPath Checker
1. 选取节点
XPath 使用路径表达式来选取 XML 文档中的节点或者节点集。这些路径表达式和我们在常规的电脑文件系统中看到的表达式非常相似。
下面列出了最常用的路径表达式：
在下面的表格中，我们已列出了一些路径表达式以及表达式的结果：
2. 谓语（Predicates）
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，被嵌在方括号中。
在下面的表格中，我们列出了带有谓语的一些路径表达式，以及表达式的结果：
3. 选取未知节点
XPath 通配符可用来选取未知的 XML 元素。
在下面的表格中，我们列出了一些路径表达式，以及这些表达式的结果：
4. 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。
在下面的表格中，我们列出了一些路径表达式，以及这些表达式的结果：
5. XPath的运算符
下面列出了可用在 XPath 表达式中的运算符：
这些就是XPath的语法内容，在运用到Python抓取时要先转换为xml。
三. lxml库
lxml 是 一个HTML/XML的解析器，主要的功能是如何解析和提取 HTML/XML 数据。
lxml和正则一样，也是用 C 实现的，是一款高性能的 Python HTML/XML 解析器，我们可以利用之前学习的XPath语法，来快速的定位特定元素以及节点信息。
lxml python 官方文档：http://lxml.de/index.html
需要安装C语言库，可使用 pip 安装：pip install lxml （或通过wheel方式安装）
1. 初步使用
我们利用它来解析 HTML 代码，简单示例：
from lxml import etreetext = '''
<div><ul><li class="item-0"><a href="link1.html">first item</a></li><li class="item-1"><a href="link2.html">second item</a></li><li class="item-inactive"><a href="link3.html">third item</a></li><li class="item-1"><a href="link4.html">fourth item</a></li><li class="item-0"><a href="link5.html">fifth item</a> # 注意，此处缺少一个 </li> 闭合标签</ul></div>
'''#利用etree.HTML，将字符串解析为HTML文档
print('------1------')
print(text)
print (type(text))html = etree.HTML(text)
print('-----2-------')
print(html)
print (type(html))# 按字符串序列化HTML文档
result = etree.tostring(html)
print('-----3-------')
print(result)
print (type(result))
输出结果：
------1------<div><ul><li class="item-0"><a href="link1.html">first item</a></li><li class="item-1"><a href="link2.html">second item</a></li><li class="item-inactive"><a href="link3.html">third item</a></li><li class="item-1"><a href="link4.html">fourth item</a></li><li class="item-0"><a href="link5.html">fifth item</a> # 注意，此处缺少一个 </li> 闭合标签</ul></div><class 'str'>
-----2-------
<Element html at 0x1e839453708>
<class 'lxml.etree._Element'>
-----3-------
b'<html><body><div>\n <ul>\n <li class="item-0"><a href="link1.html">first item</a></li>\n <li class="item-1"><a href="link2.html">second item</a></li>\n <li class="item-inactive"><a href="link3.html">third item</a></li>\n <li class="item-1"><a href="link4.html">fourth item</a></li>\n <li class="item-0"><a href="link5.html">fifth item</a> # 注意，此处缺少一个 </li> 闭合标签\n </ul>\n </div>\n</body></html>'
<class 'bytes'>
lxml 可以自动修正 html 代码，例子里不仅会补全 li 标签，还添加了 body，html 标签。
2. 文件读取
除了直接读取字符串，lxml还支持从文件里读取内容。我们新建一个hello.html文件：
<!-- hello.html --><div><ul><li class="item-0"><a href="link1.html">first item</a></li><li class="item-1"><a href="link2.html">second item</a></li><li class="item-inactive"><a href="link3.html"><span class="bold">third item</span></a></li><li class="item-1"><a href="link4.html">fourth item</a></li><li class="item-0"><a href="link5.html">fifth item</a></li></ul></div>
再利用 etree.parse() 方法来读取文件。
from lxml import etree# 读取外部文件 hello.html
html1 = etree.parse('./hello.html')
result1 = etree.tostring(html1, pretty_print=True)print('--------------------')
print(result1)print('-------如果是文件读取，需要使用prase(),而不是用HTML,否则会出现下边结果：---------')html2 = etree.HTML('./hello.html')
result2 = etree.tostring(html2, pretty_print=True)
print(result2)
运行结果：
--------------------
b'<div>\n <ul>\n <li class="item-0"><a href="link1.html">first item</a></li>\n <li class="item-1"><a href="link2.html">second item</a></li>\n <li class="item-inactive"><a href="link3.html"><span class="bold">third item</span></a></li>\n <li class="item-1"><a href="link4.html">fourth item</a></li>\n <li class="item-0"><a href="link5.html">fifth item</a></li>\n </ul>\n </div>\n'
-------如果是文件读取，需要使用prase(),而不是用HTML,否则会出现下边结果：---------
b'<html>\n <body>\n <p>./hello.html</p>\n </body>\n</html>\n'
四. XPath实例测试
1. 获取所有的 < li> 标签
from lxml import etreehtml = etree.parse('hello.html')
print (type(html)) # 显示etree.parse() 返回类型result = html.xpath('//li')print (result) # 打印<li>标签的元素集合
print (len(result))
print (type(result))
print (type(result[0]))
输出结果：
<class 'lxml.etree._ElementTree'>
[<Element li at 0x21658f02608>, <Element li at 0x21658f02708>, <Element li at 0x21658f02748>, <Element li at 0x21658f02788>, <Element li at 0x21658f027c8>]
5
<class 'list'>
<class 'lxml.etree._Element'>
2. 继续获取< li> 标签的所有 class属性
from lxml import etreehtml = etree.parse('hello.html')
result = html.xpath('//li/@class')print(result)
print(type(result))
运行结果：
['item-0', 'item-1', 'item-inactive', 'item-1', 'item-0']
<class 'list'>
3. 继续获取< li>标签下href 为 link1.html 的 < a> 标签
from lxml import etreehtml = etree.parse('hello.html')
result = html.xpath('//li/a[@href="link1.html"]')print result
输出结果：
[<Element a at 0x23b68132748>]
<class 'list'>
4. 获取< li> 标签下的所有 < span> 标签
from lxml import etreehtml = etree.parse('hello.html')#result = html.xpath('//li/span')
#注意这么写是不对的：
#因为 / 是用来获取子元素的，而 <span> 并不是 <li> 的子元素，所以，要用双斜杠result = html.xpath('//li//span')print(result)
print(type(result))
输出结果：
[<Element span at 0x28d12587508>]
<class 'list'>
5. 获取 < li> 标签下的< a>标签里的所有 class
from lxml import etreehtml = etree.parse('hello.html')
result = html.xpath('//li/a//@class')print(result)
print(type(result))
输出结果：
['bold']
<class 'list'>
6. 获取最后一个 < li> 的 < a> 的 href
from lxml import etreehtml = etree.parse('hello.html')
result = html.xpath('//li/a//@class')print(result)
print(type(result))
输出结果：
['link5.html']
<class 'list'>
7. 获取倒数第二个元素的内容
from lxml import etreehtml = etree.parse('hello.html')
result = html.xpath('//li[last()-1]/a')# text 方法可以获取元素内容
print (result[0].text)
print (type(result[0].text))
输出结果：
fourth item
<class 'str'>8. 获取 class 值为 bold 的标签名
from lxml import etreehtml = etree.parse('hello.html')result = html.xpath('//*[@class="bold"]')# tag方法可以获取标签名
print (result[0].tag)
print (type(result[0].tag))
输出结果：
span
<class 'str'>
