一、BeautifulSoup

1. 简介

简单来说，Beautiful Soup是python的一个库，最主要的功能是从网页抓取数据。官方解释如下：

'''

Beautiful Soup提供一些简单的、python式的函数用来处理导航、搜索、修改分析树等功能。

它是一个工具箱，通过解析文档为用户提供需要抓取的数据，因为简单，所以不需要多少代码就可以写出一个完整的应用程序。

'''

Beautiful Soup 是一个可以从HTML或XML文件中提取数据的Python库.它能够通过你喜欢的转换器实现惯用的文档导航,查找,修改文档的方式.Beautiful Soup会帮你节省数小时甚至数天的工作时间.你可能在寻找 Beautiful Soup3 的文档,Beautiful Soup 3 目前已经停止开发,官网推荐在现在的项目中使用Beautiful Soup 4。

安装

pip3 install bs4

解析器

pip3 install lxml

另一个可供选择的解析器是纯Python实现的 html5lib , html5lib的解析方式与浏览器相同,可以选择下列方法来安装html5lib:

pip install html5lib

解析器对比：

官方文档

简单使用

下面的一段HTML代码将作为例子被多次用到.这是 爱丽丝梦游仙境的 的一段内容(以后内容中简称为 爱丽丝 的文档):

html_doc = """

<html><head><title>The Dormouse's story</title></head>

<body>

<p class="title"><b>The Dormouse's story</b></p>

<p class="story">Once upon a time there were three little sisters; and their names were

<a href="http://example.com/elsie" class="sister" id="link1">Elsie</a>,

<a href="http://example.com/lacie" class="sister" id="link2">Lacie</a> and

<a href="http://example.com/tillie" class="sister" id="link3">Tillie</a>;

and they lived at the bottom of a well.</p>

<p class="story">...</p>

"""

上面这段代码不是完整的html标签，为什么呢？它没有body和html的结束标签！

没关系，bs4有容错机制！

使用BeautifulSoup解析这段代码,能够得到一个 BeautifulSoup 的对象

from bs4 import BeautifulSoup

soup = BeautifulSoup(html_doc, 'html.parser')

从文档中找到所有<a>标签的链接:

for link in soup.find_all('a'):

    print(link.get('href'))

执行输出：

http://example.com/elsie

http://example.com/lacie

http://example.com/tillie

从文档中获取所有文字内容:

print(soup.get_text())

执行输出：

The Dormouse's story

The Dormouse's story

Once upon a time there were three little sisters; and their names were

Elsie,

Lacie and

Tillie;

and they lived at the bottom of a well.

...

2. 标签对象

通俗点讲就是 HTML 中的一个个标签，Tag 对象与XML或HTML原生文档中的tag相同:

from bs4 import BeautifulSoup

soup = BeautifulSoup('<b class="boldest">Extremely bold</b>','html.parser')

tag = soup.b

print(type(tag))

执行输出：<class 'bs4.element.Tag'>

Tag的名字

soup对象再以爱丽丝梦游仙境的html_doc为例，操作文档树最简单的方法就是告诉它你想获取的tag的name.如果想获取 <head> 标签,只要用 soup.head :

from bs4 import BeautifulSoup

soup = BeautifulSoup(html_doc, 'html.parser')

soup = soup.head  # 获取head标签

print(soup)

soup = soup.title  # 获取title标签

print(soup)

执行输出：

<head><title>The Dormouse's story</title></head>

<title>The Dormouse's story</title>

这是个获取tag的小窍门,可以在文档树的tag中多次调用这个方法.下面的代码可以获取<body>标签中的第一个<b>标签:

soup = soup.body.b  # <body>标签中的第一个<b>标签

print(soup)  # <b>The Dormouse's story</b>

通过点取属性的方式只能获得当前名字的第一个tag:

soup = soup.a  # 第一个a标签

print(soup)

# <a class="sister" href="http://example.com/elsie" id="link1">Elsie</a>

如果想要得到所有的<a>标签,或是通过名字得到比一个tag更多的内容的时候,就需要用到 Searching the tree 中描述的方法,比如: find_all()

soup = soup.find_all('a')  # 所有a标签

print(soup)

执行输出：

[<a class="sister" href="http://example.com/elsie" id="link1">Elsie</a>,

 <a class="sister" href="http://example.com/lacie" id="link2">Lacie</a>,

<a class="sister" href="http://example.com/tillie" id="link3">Tillie</a>]

结果是一个列表！

我们可以利用 soup加标签名轻松地获取这些标签的内容，注意，它查找的是在所有内容中的第一个符合要求的标签。

Tag的name和attributes属性

Tag有很多方法和属性，主要是 标签对象的名称，属性，文本。

现在介绍一下tag中最重要的属性: name和attributes

名称和属性

每个tag都有自己的名字,通过.name 来获取:

from bs4 import BeautifulSoup

soup = BeautifulSoup(html_doc, 'html.parser')

soup = soup.find_all('a')  # 所有a标签

for link in soup:

    print(link.name)  # 标签名

    print(link.get('id'))  # id属性

    print(link.get('class'))  # class属性

    print(link.get('href'))  # herf属性

    print(link.attrs)  # 标签所有属性

    # {'href': 'http://example.com/tillie', 'class': ['sister'], 'id': 'link3'}

tag的属性可以被添加,删除或修改. 再说一次, tag的属性操作方法与字典一样

修改

from bs4 import BeautifulSoup

soup = BeautifulSoup(html_doc, 'html.parser')

soup = soup.find_all('a')  # 所有a标签

soup[0]['class'] = 'verybold'  # 修改class属性

soup[0]['id'] = 1  # 修改id属性

print(soup[0])

# <a class="verybold" href="http://example.com/elsie" id="1">Elsie</a>

删除

soup = soup.find_all('a')  # 所有a标签

del soup[0]['class']

del soup[0]['id']

print(soup[0])

# <a href="http://example.com/elsie">Elsie</a>

文本获取

标签对象的文本获取

from bs4 import BeautifulSoup

soup = BeautifulSoup(html_doc, 'html.parser')

print(soup.p.string)  # p下的文本只有一个时，取到，否则为None

print(soup.p.strings)  # 拿到一个生成器对象, 取到p下所有的文本内容

print(soup.p.text)  #取到p下所有的文本内容

for line in soup.stripped_strings: #去掉空白

    print(line)

执行输出：

The Dormouse's story

<generator object _all_strings at 0x000001AA3941C5C8>

The Dormouse's story

The Dormouse's story

The Dormouse's story

Once upon a time there were three little sisters; and their names were

Elsie

,

Lacie

and

Tillie

;

and they lived at the bottom of a well.

...

如果tag包含了多个子节点,tag就无法确定 .string 方法应该调用哪个子节点的内容, .string 的输出结果是 None，如果只有一个子节点那么就输出该子节点的文本，比如下面的这种结构，soup.p.string 返回为None,但soup.p.strings就可以找到所有文本

from bs4 import BeautifulSoup

tmp_html= """<p id='list-1'>

    哈哈哈哈

    <a class='sss'>

        <span>

            <h1>aaaa</h1>

        </span>

    </a>

    <b>bbbbb</b>

</p>"""

soup = BeautifulSoup(tmp_html, 'html.parser')

print(soup.p.string)  # p下的文本只有一个时，取到，否则为None

print(soup.p.strings)  # 拿到一个生成器对象, 取到p下所有的文本内容

for i in soup.stripped_strings:

    print('-->',i)

执行输出：

None

<generator object _all_strings at 0x000002017427C570>

--> 哈哈哈哈

--> aaaa

--> bbbbb

因此，使用 string，标签下的文本只能有一个，否则返回None！

而使用text，返回所有文本！

这就是tag.text和tag.string的区别！

3.遍历文档树

关于DOM数，请参考链接：

https://www.cnblogs.com/majj/p/9102890.html

1、嵌套选择

from bs4 import BeautifulSoup

soup = BeautifulSoup(html_doc, 'html.parser')

print(soup.head.title.string)  # The Dormouse's story

print(soup.body.a.string)  # Elsie

2、子节点、子孙节点

from bs4 import BeautifulSoup

soup = BeautifulSoup(html_doc, 'html.parser')

print(soup.p.contents) #p下所有子节点

print(soup.p.children) #得到一个迭代器,包含p下所有子节点

for i,child in enumerate(soup.p.children):

    print(i,child)

print(soup.p.descendants) #获取子孙节点,p下所有的标签都会选择出来

for i,child in enumerate(soup.p.descendants):

    print(i,child)

3、父节点、祖先节点

print(soup.a.parent) #获取a标签的父节点

print(soup.a.parents) #找到a标签所有的祖先节点，父亲的父亲，父亲的父亲的父亲...

soup.a.parents 最终返回的节点是<html>...</html>。也就是说，它直接回到顶层了！

4、兄弟节点

print('=====>')

print(soup.a.next_sibling) #下一个兄弟

print(soup.a.previous_sibling) #上一个兄弟

print(list(soup.a.next_siblings)) #下面的兄弟们=>生成器对象

print(soup.a.previous_siblings) #上面的兄弟们=>生成器对象

4. 搜索文档树

BeautifulSoup定义了很多搜索方法,这里着重介绍2个: find() 和 find_all() .其它方法的参数和用法类似

1、五种过滤器

搜索文档树：BeautifulSoup定义了很多搜索方法,这里着重介绍2个: find() 和 find_all() .其它方法的参数和用法类似

html_doc = """

<html><head><title>The Dormouse's story</title></head>

<body>

<p id="my p" class="title"><b id="bbb" class="boldest">The Dormouse's story</b>

</p>

<p class="story">Once upon a time there were three little sisters; and their names were

<a href="http://example.com/elsie" class="sister" id="link1">Elsie</a>,

<a href="http://example.com/lacie" class="sister" id="link2">Lacie</a> and

<a href="http://example.com/tillie" class="sister" id="link3">Tillie</a>;

and they lived at the bottom of a well.</p>

<p class="story">...</p>

"""

from bs4 import BeautifulSoup

soup=BeautifulSoup(html_doc,'lxml')

五种过滤器: 字符串、正则表达式、列表、True、方法

1.1、字符串：即标签名

print(soup.find_all('b'))

执行输出：

[<b class="boldest" id="bbb">The Dormouse's story</b>]

1.2、正则表达式

import re

print(soup.find_all(re.compile('^b'))) #找出b开头的标签，结果有body和b标签

执行输出：

[<body>

<p class="title" id="my p"><b class="boldest" id="bbb">The Dormouse's story</b>

</p>

<p class="story">Once upon a time there were three little sisters; and their names were

<a class="sister" href="http://example.com/elsie" id="link1">Elsie</a>,

<a class="sister" href="http://example.com/lacie" id="link2">Lacie</a> and

<a class="sister" href="http://example.com/tillie" id="link3">Tillie</a>;

and they lived at the bottom of a well.</p>

<p class="story">...</p>

</body>, <b class="boldest" id="bbb">The Dormouse's story</b>]

1.3、列表

如果传入列表参数,Beautiful Soup会将与列表中任一元素匹配的内容返回.下面代码找到文档中所有<a>标签和<b>标签:

print(soup.find_all(['a','b']))

执行输出：

[<b class="boldest" id="bbb">The Dormouse's story</b>, <a class="sister" href="http://example.com/elsie" id="link1">Elsie</a>, <a class="sister" href="http://example.com/lacie" id="link2">Lacie</a>, <a class="sister" href="http://example.com/tillie" id="link3">Tillie</a>]

1.4、True

可以匹配任何值,下面代码查找到所有的tag,但是不会返回字符串节点

print(soup.find_all(True))

for tag in soup.find_all(True):

    print(tag.name)

这个不怎么用，可以忽略掉！

1.5、方法

如果没有合适过滤器,那么还可以定义一个方法,方法只接受一个元素参数 ,如果这个方法返回 True 表示当前元素匹配并且被找到,如果不是则反回 False

from bs4 import BeautifulSoup

soup=BeautifulSoup(html_doc,'lxml')

def has_class_but_no_id(tag):  # 有class但是没有id属性的标签

    return tag.has_attr('class') and not tag.has_attr('id')

print(soup.find_all(has_class_but_no_id))  # 将每一个标签传给这个方法过滤

执行输出：

[<p class="story">Once upon a time there were three little sisters; and their names were

<a class="sister" href="http://example.com/elsie" id="link1">Elsie</a>,

<a class="sister" href="http://example.com/lacie" id="link2">Lacie</a> and

<a class="sister" href="http://example.com/tillie" id="link3">Tillie</a>;

and they lived at the bottom of a well.</p>, <p class="story">...</p>]

最终输出的，都是有class属性，但是没有id属性的标签

2、find_all()

语法

find_all( name , attrs , recursive , text , **kwargs )

2.1、name

搜索name参数的值可以使任一类型的 过滤器 ,字符窜,正则表达式,列表,方法或是 True

from bs4 import BeautifulSoup

soup=BeautifulSoup(html_doc,'lxml')

import re

print(soup.find_all(name=re.compile('^t')))

执行输出：

[<title>The Dormouse's story</title>]

2.2、keyword

key=value的形式，value可以是过滤器：字符串 , 正则表达式 , 列表, True

print(soup.find_all(id=re.compile('my')))  # 查找id含有my属性的标签

# 查找herf含有lacle以及id带有数字的标签。

# 如果是class属性，需要使用class_，因为在python中，class是关键字！

print(soup.find_all(href=re.compile('lacie'),id=re.compile('\d')))

print(soup.find_all(id=True)) #查找有id属性的标签

执行输出：

[<p class="title" id="my p"><b class="boldest" id="bbb">The Dormouse's story</b>

</p>]

[<a class="sister" href="http://example.com/lacie" id="link2">Lacie</a>]

[<p class="title" id="my p"><b class="boldest" id="bbb">The Dormouse's story</b>

</p>, <b class="boldest" id="bbb">The Dormouse's story</b>, <a class="sister" href="http://example.com/elsie" id="link1">Elsie</a>, <a class="sister" href="http://example.com/lacie" id="link2">Lacie</a>, <a class="sister" href="http://example.com/tillie" id="link3">Tillie</a>]

有些tag属性在搜索不能使用,比如HTML5中的 data-* 属性:

data_soup = BeautifulSoup('<div data-foo="value">foo!</div>','lxml')

data_soup.find_all(data-foo="value") #报错：SyntaxError: keyword can't be an expression

但是可以通过 find_all() 方法的 attrs 参数定义一个字典参数来搜索包含特殊属性的tag:

from bs4 import BeautifulSoup

soup=BeautifulSoup(html_doc,'lxml')

data_soup = BeautifulSoup('<div data-foo="value">foo!</div>','lxml')

print(data_soup.find_all(attrs={"data-foo": "value"}))

# [<div data-foo="value">foo!</div>]

2.3、按照类名查找

注意关键字是class_，class_=value,value可以是五种选择器之一

from bs4 import BeautifulSoup

soup=BeautifulSoup(html_doc,'lxml')

import re

print(soup.find_all('a',class_='sister')) #查找类为sister的a标签

print(soup.find_all('a',class_='sister ssss')) #查找类为sister和sss的a标签，顺序错误也匹配不成功

print(soup.find_all(class_=re.compile('^sis'))) #查找类为sister的所有标签

执行输出：

[<a class="sister" href="http://example.com/elsie" id="link1">Elsie</a>, <a class="sister" href="http://example.com/lacie" id="link2">Lacie</a>, <a class="sister" href="http://example.com/tillie" id="link3">Tillie</a>]

[]

[<a class="sister" href="http://example.com/elsie" id="link1">Elsie</a>, <a class="sister" href="http://example.com/lacie" id="link2">Lacie</a>, <a class="sister" href="http://example.com/tillie" id="link3">Tillie</a>]

2.4、attrs

如果有多个属性，在attrs里面增加key-value即可

# 查询p标签,class属性为story

print(soup.find_all('p',attrs={'class':'story'}))

执行输出：

[<p class="story">Once upon a time there were three little sisters; and their names were

<a class="sister" href="http://example.com/elsie" id="link1">Elsie</a>,

<a class="sister" href="http://example.com/lacie" id="link2">Lacie</a> and

<a class="sister" href="http://example.com/tillie" id="link3">Tillie</a>;

and they lived at the bottom of a well.</p>, <p class="story">...</p>]

2.5、text

值可以是：字符，列表，True，正则

print(soup.find_all(text='Elsie'))

print(soup.find_all('a',text='Elsie'))

执行输出：

['Elsie']

[<a class="sister" href="http://example.com/elsie" id="link1">Elsie</a>]

2.6、limit参数

如果文档树很大那么搜索会很慢.如果我们不需要全部结果,可以使用 limit 参数限制返回结果的数量.效果与SQL中的limit关键字类似,当搜索到的结果数量达到 limit 的限制时,就停止搜索返回结果

print(soup.find_all('a',limit=2))

执行输出：

[<a class="sister" href="http://example.com/elsie" id="link1">Elsie</a>, <a class="sister" href="http://example.com/lacie" id="link2">Lacie</a>]

2.7、recursive

调用tag的 find_all() 方法时,Beautiful Soup会检索当前tag的所有子孙节点,如果只想搜索tag的直接子节点,可以使用参数 recursive=False

print(soup.html.find_all('a'))

print(soup.html.find_all('a',recursive=False))

执行输出：

[<a class="sister" href="http://example.com/elsie" id="link1">Elsie</a>, <a class="sister" href="http://example.com/lacie" id="link2">Lacie</a>, <a class="sister" href="http://example.com/tillie" id="link3">Tillie</a>]

[]

备注

像调用 find_all() 一样调用tag

find_all() 几乎是Beautiful Soup中最常用的搜索方法,所以我们定义了它的简写方法. BeautifulSoup 对象和 tag 对象可以被当作一个方法来使用,

这个方法的执行结果与调用这个对象的 find_all() 方法相同,下面两行代码是等价的:

soup.find_all("a")

soup("a")

这两行代码也是等价的:

soup.title.find_all(text=True)

soup.title(text=True)

3、find()

语法

find( name , attrs , recursive , text , **kwargs )

find_all() 方法将返回文档中符合条件的所有tag,尽管有时候我们只想得到一个结果.比如文档中只有一个<body>标签,那么使用 find_all() 方法来查找<body>标签就不太合适, 使用 find_all 方法并设置 limit=1 参数不如直接使用 find() 方法.下面两行代码是等价的:

from bs4 import BeautifulSoup

soup=BeautifulSoup(html_doc,'lxml')

print(soup.find_all('title', limit=1))

# soup.find_all('title', limit=1)

print(soup.find('title'))

# <title>The Dormouse's story</title>

唯一的区别是 find_all() 方法的返回结果是值包含一个元素的列表,而 find() 方法直接返回结果.
find_all() 方法没有找到目标是返回空列表, find() 方法找不到目标时,返回 None .

print(soup.find("nosuchtag"))

# None

soup.head.title 是 tag的名字 方法的简写.这个简写的原理就是多次调用当前tag的 find() 方法:

print(soup.head.title)

# <title>The Dormouse's story</title>

print(soup.find("head").find("title"))

# <title>The Dormouse's story</title>

4、其他方法

见官网: https://www.crummy.com/software/BeautifulSoup/bs4/doc/index.zh.html#find-parents-find-parent

5、css选择器

我们在写 CSS 时，标签名不加任何修饰，类名前加点，id名前加 #，在这里我们也可以利用类似的方法来筛选元素，用到的方法是 soup.select()，返回类型是 list

1. 通过标签名查找

from bs4 import BeautifulSoup

soup=BeautifulSoup(html_doc,'lxml')

print(soup.select("title"))  # [<title>The Dormouse's story</title>]

print(soup.select("b"))  # [<b class="boldest" id="bbb">The Dormouse's story</b>]

2. 通过类名查找

print(soup.select(".sister")) 

'''

[<a class="sister" href="http://example.com/elsie" id="link1">Elsie</a>,

<a class="sister" href="http://example.com/lacie" id="link2">Lacie</a>,

<a class="sister" href="http://example.com/tillie" id="link3">Tillie</a>]

'''

3. 通过 id 名查找

print(soup.select("#link1"))

# [<a class="sister" href="http://example.com/elsie" id="link1">Elsie</a>]

4. 组合查找

组合查找即和写 class 文件时，标签名与类名、id名进行的组合原理是一样的，例如查找 p 标签中，id 等于 link1的内容，二者需要用空格分开

print(soup.select("p #link2"))

#[<a class="sister" href="http://example.com/lacie" id="link2">Lacie</a>]

直接子标签查找

print(soup.select("p > #link2"))

# [<a class="sister" href="http://example.com/lacie" id="link2">Lacie</a>]

5. 属性查找

查找时还可以加入属性元素，属性需要用中括号括起来，注意属性和标签属于同一节点，所以中间不能加空格，否则会无法匹配到。

print(soup.select("a[href='http://example.com/tillie']"))

#[<a class="sister" href="http://example.com/tillie" id="link3">Tillie</a>]

select 方法返回的结果都是列表形式，可以遍历形式输出，然后用 get_text() 方法来获取它的内容：

for title in soup.select('a'):

    print (title.get_text())

'''

Elsie

Lacie

Tillie

'''

5. 修改文档树

修改文档树

二、Xpath模块

xpath简介

XPath在Python的爬虫学习中，起着举足轻重的地位，对比正则表达式 re两者可以完成同样的工作，实现的功能也差不多，但XPath明显比re具有优势，在网页分析上使re退居二线。

XPath介绍

是什么？ 全称为XML Path Language 一种小型的查询语言
说道XPath是门语言，不得不说它所具备的优点：

  • 可在XML中查找信息
  • 支持HTML的查找
  • 通过元素和属性进行导航

python开发使用XPath条件： 由于XPath属于lxml库模块，所以首先要安装库lxml。

XPath的简单调用方法：

from lxml import etree

selector=etree.HTML(源码) #将源码转化为能被XPath匹配的格式

selector.xpath(表达式) #返回为一列表

Xpath语法

查询

html_doc = """

<!DOCTYPE html>

<html lang="en">

<head>

    <meta charset="UTF-8">

    <title>Title</title>

</head>

<body>

<div class="d1">

    <div class="d2">

            <p class="story">

                <a href="http://example.com/elsie" class="sister" id="link1">Elsie</a>,

                <a href="http://example.com/lacie" class="sister" id="link2">Lacie</a> and

                <a href="http://example.com/tillie" id="link3">Tillie</a>

            </p>

    </div>

    <div>

        <p id="p1">ALex is dsb</p>

        <p id="p2">Egon too</p>

    </div>

</div>

<div class="d3">

    <a href="http://www.baidu.com">baidu</a>

    <p>百度</p>

</div>

</body>

</html>

"""

from lxml import etree

selector=etree.HTML(html_doc) # 将源码转化为能被XPath匹配的格式

1. 选取节点

语法：

nodename     选取nodename节点的所有子节点         xpath(‘//div’)         选取了所有div节点

/            从根节点选取                        xpath(‘/div’)          从根节点上选取div节点

//           选取所有的当前节点，不考虑他们的位置    xpath(‘//div’)         选取所有的div节点

.            选取当前节点                        xpath(‘./div’)         选取当前节点下的div节点

..           选取当前节点的父节点                 xpath(‘..’)            回到上一个节点

@            选取属性                           xpath（’//@calss’）     选取所有的class属性

示例代码：

ret=selector.xpath("//div")

ret=selector.xpath("/div")

ret=selector.xpath("./div")

ret=selector.xpath("//p[@id='p1']")

ret=selector.xpath("//div[@class='d1']/div/p[@class='story']")

2. 谓语

语法：

表达式                                         结果

xpath(‘/body/div[1]’)                     选取body下的第一个div节点

xpath(‘/body/div[last()]’)                选取body下最后一个div节点

xpath(‘/body/div[last()-1]’)              选取body下倒数第二个div节点

xpath(‘/body/div[positon()<3]’)           选取body下前两个div节点

xpath(‘/body/div[@class]’)                选取body下带有class属性的div节点

xpath(‘/body/div[@class=”main”]’)         选取body下class属性为main的div节点

xpath(‘/body/div[price>35.00]’)           选取body下price元素值大于35的div节点

示例代码：

from lxml import etree

selector=etree.HTML(html_doc) # 将源码转化为能被XPath匹配的格式

ret=selector.xpath("//p[@class='story']//a[2]")  # [<Element a at 0x20d9a188c88>]

ret=selector.xpath("//p[@class='story']//a[last()]")  # [<Element a at 0x27a64818d88>]

返回结果是一个Element对象

3. 通配符

Xpath通过通配符来选取未知的XML元素

表达式                 结果

xpath（’/div/*’）     选取div下的所有子节点

xpath(‘/div[@*]’)    选取所有带属性的div节点

示例代码：

ret=selector.xpath("//p[@class='story']/*")

# [<Element a at 0x22c8461bcc8>, <Element a at 0x22c8461bc88>, <Element a at 0x22c8461bd88>]

ret=selector.xpath("//p[@class='story']/a[@class]")  # [<Element a at 0x1ebe370bc88>, <Element a at 0x1ebe370bd88>]

4. 取多个路径

使用“|”运算符可以选取多个路径

表达式                         结果

xpath(‘//div|//table’)    选取所有的div和table节点

示例代码：

ret=selector.xpath("//p[@class='story']/a[@class]|//div[@class='d3']")

print(ret)

# [<Element a at 0x1d509bd9cc8>, <Element a at 0x1d509bd9c88>, <Element div at 0x1d509bd9d88>]

5. Xpath轴

轴可以定义相对于当前节点的节点集

轴名称                      表达式                                  描述

ancestor                xpath(‘./ancestor::*’)              选取当前节点的所有先辈节点（父、祖父）

ancestor-or-self        xpath(‘./ancestor-or-self::*’)      选取当前节点的所有先辈节点以及节点本身

attribute               xpath(‘./attribute::*’)             选取当前节点的所有属性

child                   xpath(‘./child::*’)                 返回当前节点的所有子节点

descendant              xpath(‘./descendant::*’)            返回当前节点的所有后代节点（子节点、孙节点）

following               xpath(‘./following::*’)             选取文档中当前节点结束标签后的所有节点

following-sibing        xpath(‘./following-sibing::*’)      选取当前节点之后的兄弟节点

parent                  xpath(‘./parent::*’)                选取当前节点的父节点

preceding               xpath(‘./preceding::*’)             选取文档中当前节点开始标签前的所有节点

preceding-sibling       xpath(‘./preceding-sibling::*’)     选取当前节点之前的兄弟节点

self                    xpath(‘./self::*’)                  选取当前节点

6. 功能函数

使用功能函数能够更好的进行模糊搜索

函数                  用法                                                               解释

starts-with         xpath(‘//div[starts-with(@id,”ma”)]‘)                        选取id值以ma开头的div节点

contains            xpath(‘//div[contains(@id,”ma”)]‘)                           选取id值包含ma的div节点

and                 xpath(‘//div[contains(@id,”ma”) and contains(@id,”in”)]‘)    选取id值包含ma和in的div节点

text()              xpath(‘//div[contains(text(),”ma”)]‘)                        选取节点文本包含ma的div节点

举例1：

# 选取p标签class属性为story,在它下面的a标签id属性为link1的文本信息

ret=selector.xpath("//p[@class='story']/a[@id='link1']/text()")

print(ret)  # ['Elsie']

举例2：

# 选取p标签class属性为story,在它下面的a标签id属性以link开头的文本信息

ret=selector.xpath("//p[@class='story']/a[starts-with(@id,'link')]/text()")

print(ret)  # ['Elsie', 'Lacie', 'Tillie']

举例3：

# 选取p标签class属性为story,在它下面的a标签id属性包含k的文本信息

ret=selector.xpath("//p[@class='story']/a[contains(@id,'k')]/text()")

print(ret)  # ['Elsie', 'Lacie', 'Tillie']

举例4：

# 选取p标签class属性为story,在它下面的a标签class属性包含is的文本信息

ret=selector.xpath("//p[@class='story']/a[contains(@class,'is')]/text()")

print(ret)  # ['Elsie', 'Lacie']

举例5：

# 选取p标签class属性为story,在它下面的a标签文本信息包含ie的文本信息

ret=selector.xpath("//p[@class='story']/a[contains(text(),'ie')]/text()")

print(ret)  # ['Elsie', 'Lacie', 'Tillie']

Element对象

from lxml.etree import _Element

for obj in ret:

    print(obj)

    print(type(obj))  # from lxml.etree import _Element

'''

Element对象

class xml.etree.ElementTree.Element(tag, attrib={}, **extra)

　　tag：string，元素代表的数据种类。

　　text：string，元素的内容。

　　tail：string，元素的尾形。

　　attrib：dictionary，元素的属性字典。

　　

　　＃针对属性的操作

　　clear()：清空元素的后代、属性、text和tail也设置为None。

　　get(key, default=None)：获取key对应的属性值，如该属性不存在则返回default值。

　　items()：根据属性字典返回一个列表，列表元素为(key, value）。

　　keys()：返回包含所有元素属性键的列表。

　　set(key, value)：设置新的属性键与值。

　　＃针对后代的操作

　　append(subelement)：添加直系子元素。

　　extend(subelements)：增加一串元素对象作为子元素。＃python2.7新特性

　　find(match)：寻找第一个匹配子元素，匹配对象可以为tag或path。

　　findall(match)：寻找所有匹配子元素，匹配对象可以为tag或path。

　　findtext(match)：寻找第一个匹配子元素，返回其text值。匹配对象可以为tag或path。

　　insert(index, element)：在指定位置插入子元素。

　　iter(tag=None)：生成遍历当前元素所有后代或者给定tag的后代的迭代器。＃python2.7新特性

　　iterfind(match)：根据tag或path查找所有的后代。

　　itertext()：遍历所有后代并返回text值。

　　remove(subelement)：删除子元素。

'''

本文参考链接：

https://www.cnblogs.com/yuanchenqi/articles/9487175.html

应用案例：安居客

打开安居客二手房链接：

https://beijing.anjuke.com/sale/?from=navigation

需要爬取 标题

务必使用谷歌浏览器打开，右键检查。找到对应的标签，右键copy-->copy Xpath

那么就能得到

//*[@id="leftContent"]/ul/li[1]/div/div[1]/a

接下来写代码：

import requests

from lxml import etree

# 访问二手房网页

res= requests.get("https://beijing.anjuke.com/sale/?from=navigation")

selector=etree.HTML(res.content) # 将html源码转化为能被XPath匹配的格式

# 匹配第一个条信息的标题

ret=selector.xpath('//*[@id="houselist-mod-new"]/li[1]/div[2]/div[1]/a/text()')

print(ret)

执行输出：

['\n                凤凰城二期，高层两居室，看房有钥匙随时，临国际村，金星园澜石']

怎么样，是不是很方便。注意：它能帮你快速生成 XPath表达式。它并不是万能的，在某些动态加载的网页中，可能不适用！

上面的结果只有一条，如果有多条呢？需要自己修改规则了！

XPath Helper

XPath Helper可以支持在网页点击元素生成xpath，整个抓取使用了xpath、正则表达式、消息中间件、多线程调度框架的chrome插件。

这里我已经安装好了

安装完成之后，在页面右上角，有一个图标

点击一下，它会弹出一个黑框。将刚才的XPath规则复制到左边，右边会立即显示结果

如果被选中，页面会有黄色标记！

作业：

爬取链家二手房信息，爬取3页即可！

注意：使用XPath完成！

分解步骤

打开链接二手房链接：

https://bj.lianjia.com/ershoufang/

获取标题

获取第一条信息的标题

选择所有信息中的标题部分

使用python代码实现

import requests

from lxml import etree

# 访问二手房网页

res= requests.get("https://bj.lianjia.com/ershoufang/")

selector=etree.HTML(res.content) # 将html源码转化为能被XPath匹配的格式

# 匹配所有的标题

ret=selector.xpath('//*[@id="leftContent"]/ul/li[*]//div/div/a/text()')

print(ret)

执行输出：

['南向两居室 电梯房 简单装修 适合居住', '惠民家园 ', ...]

那么所有的标题，就获取完成了！

python 全栈开发，Day135(爬虫系列之第2章-BS和Xpath模块)的更多相关文章

  1. python全栈开发，Day43（引子，协程介绍，Greenlet模块，Gevent模块，Gevent之同步与异步）

    昨日内容回顾 I/O模型,面试会问道 I/O操作,不占用CPU,它内部有一个专门的处理I/O模块 print和写log属于I/O操作,它不占用CPU 线程 GIL保证一个进程中的多个线程在同一时刻只有 ...

  2. python全栈开发目录

    python全栈开发目录 Linux系列 python基础 前端~HTML~CSS~JavaScript~JQuery~Vue web框架们~Django~Flask~Tornado 数据库们~MyS ...

  3. python全栈开发中级班全程笔记（第二模块、第三章）（员工信息增删改查作业讲解）

    python全栈开发中级班全程笔记 第三章:员工信息增删改查作业代码 作业要求: 员工增删改查表用代码实现一个简单的员工信息增删改查表需求: 1.支持模糊查询,(1.find name ,age fo ...

  4. Python全栈开发【面向对象进阶】

    Python全栈开发[面向对象进阶] 本节内容: isinstance(obj,cls)和issubclass(sub,super) 反射 __setattr__,__delattr__,__geta ...

  5. python 全栈开发之路 day1

    python 全栈开发之路 day1   本节内容 计算机发展介绍 计算机硬件组成 计算机基本原理 计算机 计算机(computer)俗称电脑,是一种用于高速计算的电子计算机器,可以进行数值计算,又可 ...

  6. 老男孩最新Python全栈开发视频教程（92天全）重点内容梳理笔记 看完就是全栈开发工程师

    为什么要写这个系列博客呢? 说来讽刺,91年生人的我,同龄人大多有一份事业,或者有一个家庭了.而我,念了次985大学,年少轻狂,在大学期间迷信创业,觉得大学里的许多课程如同吃翔一样学了几乎一辈子都用不 ...

  7. 学习笔记之Python全栈开发/人工智能公开课_腾讯课堂

    Python全栈开发/人工智能公开课_腾讯课堂 https://ke.qq.com/course/190378 https://github.com/haoran119/ke.qq.com.pytho ...

  8. python全栈开发之正则表达式和python的re模块

    正则表达式和python的re模块 python全栈开发,正则表达式,re模块 一 正则表达式 正则表达式(Regular Expression)是一种文本模式,包括普通字符(例如,a 到 z 之间的 ...

  9. Python 全栈开发【第0篇】：目录

    Python 全栈开发[第0篇]:目录   第一阶段:Python 开发入门 Python 全栈开发[第一篇]:计算机原理&Linux系统入门 Python 全栈开发[第二篇]:Python基 ...

随机推荐

  1. TestCase / test plan / test case

    s 测试计划 分析测试需求 制定测试策略 制定测试计划 评审测试计划 测试准备 编写测试案例 评审测试案例 准备测试环境 准备测试数据 准备配置项 测试执行 检查测试准入(环境.数据.配置.案例等) ...

  2. CentOS 7使用yum安装MYSQL

    来源:https://typecodes.com/linux/yuminstallmysql5710.html wget -i http://dev.mysql.com/get/mysql57-com ...

  3. BootStrap行内编辑

    Bootstrap行内编辑,这里下载了一个X-Editable的插件,在Nuget里面就可以搜到. 引用的js和css大致如下: @*.Jquery组件引用*@ <script src=&quo ...

  4. Oracle语句优先级

    SQL> SELECT SAL SALARY FROM EMP WHERE SALARY<2500;Warning: connection was lost and re-establis ...

  5. BZOJ 4129 Haruna’s Breakfast

    传送门 同样是树上莫队 只不过要求一个集合的mex,这里可以使用分块,可以在根号时间内得出解 /************************************************** P ...

  6. luogu P4160 [SCOI2009]生日快乐

    传送门 考虑因为每个人的蛋糕体积要相等,如果切了一刀,那么要使得分当前蛋糕的人根据分成的两部分蛋糕的体积分成两部分人,所以假设当前有n人,切的这一刀要是在x或y的\(\frac{k}{n}(k\in ...

  7. Flask最强攻略 - 跟DragonFire学Flask - 第六篇 Flask 中内置的 Session

    Flask中的Session非常的奇怪,他会将你的SessionID存放在客户端的Cookie中,使用起来也非常的奇怪 1. Flask 中 session 是需要 secret_key 的 from ...

  8. spring boot + es

    用Elasticsearch构建电商搜索平台 refs: http://www.sojson.com/blog/176.html

  9. Java读取Excel文件转换成JSON并转成List——（七）

    Jar包

  10. nginx反向代理实现前后端分离&跨域问题

    1.代理和跨域 1.1 正向代理 1)用户希望代理服务器帮助其和要访问服务器之间实现通信,需要: a.用户IP报文的目的IP=代理服务器IP: b.用户报文端口号=代理服务器监听端口号: c.HTTP ...