Python爬虫十六式 - 第四式: 使用Xpath提取网页内容

Xpath：简单易用的网页内容提取工具

学习一时爽，一直学习一直爽 !

Hello，大家好，我是Connor，一个从无到有的技术小白。上一次我们说到了 requests 的使用方法。到上节课为止，我们已经学完了所有的 Python 常用的访问库。那么当我们获取到了访问的内容之后，我们就应该从网页上提取我们想要的内容了。所以，今天我们来讲网页内容的常用提取工具之一：Xpath 。相比于 BeautifulSoup 而言，Xpath 更加简单易上手。

1.Xpath简介

Xpath 是一门在 XML 文档中查找信息的语言。XPath 用于在 XML 文档中通过元素和属性进行导航。他是一种路径语言（XML Path Language），用来确定XML文档中某部分的位置。

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。起初XPath的提出的初衷是将其作为一个通用的、介于XPointer与XSL间的语法模型。但是XPath很快的被开发者采用来当作小型*查询语言被广泛使用。比如说，当你打开一个网页后按 F12 进行元素检查。当你想要复制某个元素的路径的时候，你可以通过右键进行 Copy 操作。你会发现里面有 Copy Xpath 的选项。由此可见 Xpath 使用的广泛程度。

说了这么多Xpath使用的怎么怎么广泛，怎么怎么好用，我们还是来点实在的，看看在 Python 爬虫中到底如何使用 Xpath 来抓取我们想要的内容吧：

2. Xpath的安装

在前面的教程中，我几乎从未提过某个库的安装，但是为什么在这里我要提出如何安装呢？原因很简单，Xpath只是 lxml 库中的一个模块，在 Python 很多库中都提供有 Xpath 的功能，但是最基本的还是 lxml 的这个库。效率最高。所以，你知道了，想要使用 Xpath 那么你就需要安装 lxml 库:

pip install lxml

3.Xpath的语法

其实说白了，Xpath 就是从 html 中选取节点。节点是通过沿着路径或者通过 step 来选取的。下面，我们将通过如下HTML文档来进行演示：

html_doc ="""

<html>

    <head></head>

    <body>

        <li>

            <a href="/book_16860.html" title="总裁的新鲜小妻">

                <img src="/16860s.jpg">

            </a>

            <img src="/kukuku/images/only.png" class="topss png_bg">

                <img src="abc.png" class="topss png_bg">

            <a href="/book_16860.html">总裁的新鲜小妻子</a>

        </li>

        <li>

            <a href="/book_16861.html" title="斗神天下">

                <img src="/16861s.jpg">

            </a>

            <img src="/kukuku/images/only.png" class="topss png_bg">

            <img src="def.png" class="topss png_bg">

            <a href="/book_16861.html">斗神天下</a>

        </li>

    </body>

</html>"""

首先，大家也都知道我们实际上从网页上获取的都是字符串格式。那么如果我们想要通过 Xpath 来提取我们想要的内容，我们首先要生成 HTML 的 DOM 树：

from lxml import etree

page = etree.HTML(html_doc)

3.1 路径查找

如果我们想要使用路径查找，那我们首先需要知道 Xpath 的语法。Xpath 的主要语法有如下：

表达式	描述
nodename	选取名为nodename的子节点
/	从根节点选取
//	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。
.	选取当前节点
…	选取当前节点的父节点
@	选取属性

查找当前的子节点：

In [1]: page.xpath('head')

Out[1]: [<Element head at 0x7f185bfe5b08>]

当前的节点位置是在 html，所以直接查询 head 节点可以查询出来，li 是html的孙节点，如果查询 li 将返回空值：

In [2]: page.xpath('li')

Out[2]: []

从根节点进行查找：

In [3]: page.xpath('/html')

Out[3]: [<Element html at 0x11208be88>]

从根节点进行查找，根节点下只有一个节点 html 节点，所以从根节点查找只能查找到 html，如果查找其它内容将返回空列表：

In [4]: page.xpath('/li')

Out[4]: []

从整个文档所有节点查找：

In [5]: page.xpath('//li')

Out[5]:

[<Element li at 0x1128c02c8>,

 <Element li at 0x111c74108>,

 <Element li at 0x111fd2288>,

 <Element li at 0x1128da348>]

从整个文档进行查找可以查找整个文档中符合条件的节点，包括孙节点及以下。

选取当前节点的父节点

In [6]: page.xpath('//li')[0].xpath('..')

Out[6]: [<Element body at 0x1128c0ac8>]

选取属性：

In [7]: page.xpath('//a')[1].xpath('@href')

Out[7]: ['/book_16860.html']

选取属性支持任意的标签属性，但是要注意如果选取出的节点有多个，需要指定是哪一个节点的属性。

3.2 节点查找

通过路径查找到节点以后，就需要从超找到的节点中选取我们需要的内容了。查找节点也有一些语法，如下：

表达式	结果
nodename[index]	选取符合要求的第 index 个元素
nodename[last()]	选取最后一个元素
nodename[position()< num]	选取前 num 个元素
nodename[@attribute]	选取带有属性名为 attribute 的元素
nodename[@attribute=‘value’]	选取带有属性名为 attribute 且值为 value 的元素

选取第一个 img 节点的 src 属性：

In [1]: page.xpath('//li[1]/a[1]/img[1]/@src')

Out[1]: ['/16860s.jpg']

**注意：当你在选取一个节点的属性的时候，有一点需要注意。通过[index]选取出的节点是每一个符合条件的第[index]个符合条件的元素。**但是这么说比较抽象，我们举个例子。例如：

In [2]: page.xpath('//li[1]') 选取所有符合 li 节点的第一个节点

Out[2]: [<Element li at 0x7fb517327ac8>]

通过上面的例子我们貌似看不出什么，那我们再看下面的这个例子：

In [3]: page.xpath('//li//img[1]')

Out[3]: [<Element img at 0x7f0c26328b08>,

         <Element img at 0x7f0c26328a88>,

         <Element img at 0x7f0c26328bc8>,

         <Element img at 0x7f0c26328c08>]

你可以看到，我们选取出了4个 img 节点。原因很简单，看下面的代码和解释就能明白了：

<html>

	<head></head>

	<body>

        <li>

            <a href="/book_16860.html" title="总裁的新鲜小妻">

                （一）<img src="/16860s.jpg">

            </a>

            （二）<img src="/kukuku/images/only.png" class="topss png_bg">

            （三）<img src="abc.png" class="topss png_bg">

            <a href="/book_16860.html">总裁的新鲜小妻子</a>

        </li>

        <li>

        	<a href="/book_16861.html" title="斗神天下">

                （四）<img src="/16861s.jpg">

            </a>

            （五）<img src="/kukuku/images/only.png" class="topss png_bg">

            （六）<img src="def.png" class="topss png_bg">

            <a href="/book_16861.html">斗神天下</a>

        </li>

    </body>

</html>

(一)是第一个 <li> 节点的 <a> 节点里的第一个 <img> 节点。其路径为 <li>/<a>/<img>
(二)是第一个 <li> 节点的 <img> 节点里的第一个 <img> 节点。其路径为 <li>/<img>。
(三）之所以没有被选中，是因为它是 <li> 标签下的第二个 <img> 标签
（四）（五）（六）同理

选取第二个元素开始的所有节点：

In [4]: page.xpath('//img[position()>1]')

Out[4]: [<Element img at 0x7f78ba63dac8>, <Element img at 0x7f78ba63da48>]

选取带有指定属性与指定值的节点：

In [5]: page.xpath('//a[@title="斗神天下"]')

Out[5]: [<Element a at 0x7fdd0844fa48>]

3.3 未知节点

当我们匹配时会出现路径不确定的情况，这个时候我们就要涉及到匹配未知节点。匹配未知节点也有对应的语法，如下：

通配符	描述
*	匹配任何元素节点
@*	匹配任何属性节点

匹配任何属性节点：

In [1]: page.xpath('//li/a/*')

Out[1]: [<Element img at 0x7f83af768b08>,

         <Element img at 0x7f83af768a88>,

         <Element img at 0x7f83af768bc8>,

         <Element img at 0x7f83af768c08>]

匹配任何元素节点：

In [2]: page.xpath('//li/a[@*]')

Out[2]: [<Element a at 0x7ff2dcf69b08>,

         <Element a at 0x7ff2dcf69a88>,

         <Element a at 0x7ff2dcf69bc8>,

         <Element a at 0x7ff2dcf69c08>]

3.4 获取节点中的文本

通过属性方法可以获取属性内的内容，但是位于节点之间的内容无法获取到，这个时候就可以通过 text() 与 string() 方法来获得其中的文本：

通过 text() 获取某个节点中的文本：

In [1]: page.xpath('//li/a[3]/text()')

Out[1]: ['总裁的新鲜小妻子', '斗神天下']

可以看到，通过 text() 属性可以很轻松的获取标签之间的文本。

通过 string() 获取某个节点中的文本：

In [1]: page.xpath('string(//li[1]/a[3])')

Out[1]: '总裁的新鲜小妻子'

3.5 选取多个路径

有的时候我们需要同时查找多个条件，这个时候你可以通过在路径表达式中使用管道符("|")，选取若干个路径：

In [1]: page.xpath('//li[1]/img[2]/@src | //li[1]/a[3]/text()')

Out[1]: ['/kukuku/images/second.png', '总裁的新鲜小妻子']

同时选取多个路径并不会生成一个新的列表，只有一个列表，所以你要考虑好如何提取你的返回结果。一般情况下还是不建议使用多条件来进行查找，因为多种提取结果混在一个列表不利于提取，即便可以提取，但也会增加计算量，降低程序性能。所以，尽量不要使用这种方法。

下期预告：

Xpath用来用去还是那么费劲啊，有没有什么别的更简单的方法啊？？？当然有的，你可以喝着美味的汤就做完你需要做的事情了。敬请期待下期——BeautifulSoup：美味的汤

以上就是所有的 Xpath 有关的内容啦，可能并不比别人讲的细，但是已经足够你做爬虫使用了。其实我也希望能够讲的更加细致一点，奈何我是一个正则党，我个人不太喜欢使用Xpath，如果你真的想要深入了解Xpth的话，推荐你到 W3C Xpath教程 >>> 去看看它们是怎么用的。

好了，这就是今天的内容了，我是Connor，一个从无到有的技术小白。不知道今天你又学会了多少东西？？我们下期再见！

学习一时爽,一直学习一直爽 !

系列文章连接：

Python 爬虫十六式 - 第一式：HTTP协议 >>>

Python 爬虫十六式 - 第二式：urllib 与 urllib3 >>>

Python 爬虫十六式 - 第三式：Requests的用法 >>>

Python 爬虫十六式 - 第五式：BeautifulSoup-美味的汤 >>>

Python 爬虫十六式 - 第六式：JQuery的假兄弟-pyquery >>>

Python 爬虫十六式 - 第七式：正则的艺术 >>>