Python中xPath技术和BeautifulSoup的使用
xpath基本知识
XPath语法:使用路径表达式来选取XML或HTML文档中的节点或节点集
路径表达式
nodename:表示选取此节点的所有子节点
/ : 表示从根节点选取
// :选择任意位置的某个节点。
. :选取当前节点
.. :选取当前节点的父节点
@ :选取属性
谓语实例
实现效果 路劲表达式
选取属于classroom子元素的第一个student元素 /classroom/student[1]
选取属于classroom子元素的最后一个student元素 /classroom/student[last()]
选取属于classroom子元素的倒数第二个stduent元素 /classroom/stduent[last()-1]
选取最前面的两个属于classroom元素的子元素的student元素 /classroom/stduent[position()<3]
选取所有拥有名为lang的属性的name元素 //name[@lang]
选取所有name元素,且这些元素拥有值为eng的lang属性 //name[@lang='en']
选取classroom元素的所有student元素,且其中的age元素的值须大于20 .classroom.stduent[age>20]
选取classroom元素中的student元素的所有name元素,且其中的age元素的值须大于20 /classroom/stduent[age>20]/name
通配符“*”与“|”操作
实现效果 路径表达式
选取classroom元素的所有子元素 /classroom/*
选取文档中的所有元素 //*
选取所有带有属性的name元素 //name[@*]
选取stduent元素的所有name和age元素 //stduent/name | //stduent/age
选取属于classroom元素的student元素的所有name元素,以及文档中所有的age元素 /classroom/stduent/name | //age
XPath轴 步的语法为 轴名称:节点测试[谓语]
轴名称 含义
child 选取当前节点的所有子节点
parent 选取当前节点的父节点
ancestor 选取当前节点的所有先辈(父、祖父等)
ancestor-or-self 选取当前节点的所有先辈以及当前节点本身
descendant 选取当前节点的所有后代节点
descendant-or-self 选取当前节点的所有后代节点以及当前节点本身
preceding 选取文档中当前节点的开始标记之前的所有节点
following 选取文档中当前节点的结束标记之后的所有节点
preceding-sibling 选取当前节点之前的所有同级节点
following-sibling 选取当前节点之后的所用同级节点
self 选取当前节点
attribute 选取当前节点的所有属性
namespace 选取当前节点的所有命名空间
XPath轴示例分析
实现效果 路径表达式
选取当前classroom节点中子元素的teacher节点 /classroom/child::teacher
选取所有id节点的父节点 //id/parent::*
选取所有以classid为子节点的祖先节点 //classid/ancestor::*
选取classroom节点下的所有后代节点 /classroom/descendant::*
选取所有以student为父节点的id元素 //student/descendant::id
选取所有classid元素的祖先节点及本身 //classid/ancestor-or-self::*
选择/classroom/student本身及其所有后代元素 /classroom/student/descendant-or-self::*
选取/classroom/teacher之前的所有同级节点,结果就是选所有的student节点 /classroom/teacher/preceding-sibling::*
选取/classroom中第二个stduent之后的所有同级节点 /classroom/student[2]/following-sibling::*
选取/classroom/teacher节点所有之前的节点(除其祖先外),不仅仅是student节点,还有里面的子节点 /classroom/teacher/preceding::*
选取/classroom中第二个student之后的所有节点,结果就是选择了teacher节点及其子节点 /classroom/student[2]/following::*
选取student节点,单独使用没有什么意思 //stduent/self::*
选取/classroom/teacher/name节点下的所有属性 /classroom/teacher/name/attribute::*
XPath运算符示例分析
含义 实例
选取classroom元素的所有student元素 /classroom/student[age=19+1] /classroom/stduent[age=5*4] /classroom/student[age=21-1]
且其中的age元素的值须等于20 /classroom/student[age=40div2]
类似可以选取 大于、小于、不等于等操作
or 运算实例 /classroom/stduent[age<20 or age>25] .................age小于20或者大于25
and 运算实例 /classroom/stduent[age>20 and age<25] ..................age在20 到25 之间
mod 计算除法的余数
实例代码
from lxml import etree contentStream = open(r'xpathText.xml', 'rb')
content = contentStream.read().decode('utf-8')
root = etree.XML(content)
print(content)
print('-------')
em = root.xpath('/classroom/student[2]/following::*')
print(em[0].xpath('./name/text()'))#获取name标签中文本的内容
print(em[0].xpath('./name/@lang')) #获取name标签中属性名为lang的属性值
BeautifulSoup基础知识
创建BeautifulSoup对象的两种方式 1.通过字符串创建 soup=BeautifulSoup(htl_str,'lxml') 其中'lxml'表示指定的解析方式
2.通过文件创建 soup=BeautifulSoup(open('index.html'))
对象种类 四种 Tag、NavigableString、BeautifulSoup 、Comment
1)Tag
在html中每个标签及其里面的内容就是一个Tag对象,如何抽取Tag呢?
soup.title抽取title soup.a 抽取a 利用soup+标记名查找的是再内容中第一个符合要求的标记
Tag中有两个最重要的属性:name和attributes.每个Tag都有自己的名字,通过.name来获取
修改Tag的name,修改完成后将影响所有通过当前Beautiful Soup对象生成的HTML文档
html_str = """<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>
</body>
</html>"""
soup = BeautifulSoup(html_str, 'lxml')
# soup = BeautifulSoup(open(r'index.html','rb'),'lxml')
print(soup.prettify()) #以格式化的形式输出文档的内容
print(soup.name)
print(soup.title.name)#输出title的名称
soup.title.name = 'mytitle' #修改title的名称为mytitle
print(soup.title) #title已经修改输出None
print(soup.mytitle)#输出mytitle Tag
输出结果
整个文档的内容
[document]
title
None
<mytitle>The Dormouse's story</mytitle>
获取Tag属性?<p class="title"><b>The Dormouse's story</b></p>Tag p中有一个属性class值为title,获取代码如下:
Tag属性值的修改类似于上述标签名的修改 soup.p['class']='myclass' 就把属性值title改为了myclass
# 获取Tag中的属性 和字典类似
print(soup.p['class'])
print(soup.p.get('class'))
输出结果
['title']
['title']
用于获取Tag所有属性的方法 print(soup.p.attrs)以字典的行书获取指定Tag的所有属性:属性值字典
输出格式如下
{'class': ['title']}
2)NavigableString 当已经得到了标记的内容,要想获取标记的内部文字怎么办呢?需要用到.string。
print(soup.b.string)#输出Tag对象b的内容
print(type(soup.b.string))#输出Tage对象b的内容的类型 其实就是NavigableString类型
输出结果
The Dormouse's story
<class 'bs4.element.NavigableString'>
3)Beautiful Soup
Beautiful Soup对象表示的是一个文档的全部内容。大部分时候,可以把它当作Tag对象,是一个特殊的人Tag,实例如下
print(type(soup.name))
print(soup.name)
print(soup.attrs)
输出结果
<class 'str'>
[document]
{}
4) Comment 文档的注释部分 ,示例如下
print(soup.a.string)
print(type(soup.a.string))
输出结果
Elsie
<class 'bs4.element.Comment'>
遍历文档
1)子节点
Tag中的.contents和.children是非常重要的,都是输出直接子节点,Tag的contents属性可以将Tag子节点以列表的方式输出:
print(soup.html.contents)
print(soup.html.contents[1])#如果soup.html.contents[1].string会直接输出文档里的内容,具体解释看下面
输出结果
['\n', <head><mytitle>The Dormouse's story</mytitle></head>, '\n', <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 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>, '\n']
<head><mytitle>The Dormouse's story</mytitle></head>
Tag中children,其实.children返回的是一个生成器,可以对Tag的子节点进行循环
for child in soup.html.children: # 孩子结点递归循环
print(child)
输出结果:对于输出换行时,他要空两行,因为print自带换行
<head><mytitle>The Dormouse's story</mytitle></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 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>
.descendants属性可以对所有tag的子孙节点进行递归循环:head中只有一个直接2节点title,但title也包含一个子节点:字符串'The Dormouse's story',
在这种情况下,字符串也属于<head>标记的子孙节点,
for child in soup.head.descendants: # 子孙节点递归循环
print(child)
输出结果
<mytitle>The Dormouse's story</mytitle>
The Dormouse's story
如何获取标记的内容呢???这就涉及.string、.strings、stripped_strings三个属性
.string这个属性很有特点:如果一个标记里面没有标记了,那么.string就会返回标记里面的内容。如果标记里面只有唯一
的一个标记了,那么.string也会返回最里面的内容。如果tag包含多个子节点,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
print(soup.head.string)
print(soup.mytitle.string)
print(soup.html.string)
输出结果
The Dormouse's story
The Dormouse's story
None
.strings属性主要应用于tag中包含多个字符串的情况,可以进行循环遍历
for stri in soup.strings:
print(repr(stri))
输出结果
'\n'
"The Dormouse's story"
'\n'
'\n'
"The Dormouse's story"
'Once upon a time there were three little sisters; and their names were\n '
'\n'
'\n'
'\n'
'\n and\n '
'Tillie'
';\n and they lived at the bottom of a well.\n'
'……'
'\n'
'\n'
.stripped_strings属性可以去掉输出字符串中包含的空格或换行,示例如下
for stri in soup.stripped_strings:
print(repr(stri))
输出结果
"The Dormouse's story"
"The Dormouse's story"
'Once upon a time there were three little sisters; and their names were'
'and'
'Tillie'
';\n and they lived at the bottom of a well.'
'……'
2)父节点
每个Tag或者字符串都有父节点:被包含在某个Tag中。通过.parent可以获取某个元素的父节点
print soup.mytitle.parent 输出<head><title>........</title></head>
通过元素的.parents属性可以递归得到元素所有父辈节点,使用.parents方法遍历了<a>标记到根节点的所有节点
print(soup.a)
for parent in soup.a.parents:
if parent is None:
print(parent)
else:
print(parent.name)
输出结果
<a class="sister" href="http://example.com/elsie" id="link1"><!-- Elsie --></a>
p
body
html
[document]
3)兄弟节点:可以理解为和本节点出在同一级上的节点,.next_sibling属性可以获取该节点的下一个兄弟节点,.previous_sibling则与之相反,
如果节点不存在,则返回None
可以通过.next_siblings和.previous_siblings来迭代所有的兄弟节点
4)前后节点
前后节点需要使用.next_element、previous_element这两个属性,他针对所有节点,不分层次,例如<head><title>The Dormouse‘s story</title></head>
中的下一个节点是title
如果想遍历所有的前节点或者后节点,通过.next_elements和previous_elements的迭代器就可以向前或向后访问文档的解析内容
for elem in soup.html.next_elements: #有点像深度优先遍历
print(repr(elem))
输出结果
'\n'
<head><mytitle>The Dormouse's story</mytitle></head>
<mytitle>The Dormouse's story</mytitle>
"The Dormouse's story"
'\n'
<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 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>
'\n'
<p class="title"><b>The Dormouse's story</b></p>
<b>The Dormouse's story</b>
"The Dormouse's story"
<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>
'Once upon a time there were three little sisters; and their names were\n '
<a class="sister" href="http://example.com/elsie" id="link1"><!-- Elsie --></a>
' Elsie '
'\n'
<a class="sister" href="http://example.com/lacie" id="link2">
<!--Lacie -->
</a>
'\n'
'Lacie '
'\n'
'\n and\n '
<a class="sister" href="http://example.com/tillie" id="link3">Tillie</a>
'Tillie'
';\n and they lived at the bottom of a well.\n'
<p class="story">……</p>
'……'
'\n'
'\n'
搜索文档
只介绍find_all()方法,其它方法类似
函数原型
find_all(name,attrs,recursive,text,**kwargs)
1)name参数
name参数可以查找所有名字为name的标记,字符对象会被自动忽略掉。name参数取值可以是字符串、正则表达式、列表、True和方法
字符串案例 用于查找文档中所有的<b>标记 ,返回值为列表:
print(soup.find_all('b'))
#输出结果
[<b>The Dormouse's story</b>]
传入正则表达式作为参数,会通过正则表达式的match()来匹配内容。下面列出所有以b开头的标记,这表示<body>和<b>标记
for tag in soup.find_all(re.compile('^b')):
print(tag.name)
#输出结果
body
b
传入列表
print(soup.find_all(['a','b']))//找到文档中所有的<a>标记和<b>标记
传入True,True可以匹配任何值,会查找所有的tag ,但不会返回字符串节点
for tag in soup.find_all(True):
print(tag.name)
#输出结果
html
head
mytitle
body
p
b
p
a
a
a
p
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Tag节点,如果这个方法返回?True表示当前元素匹配并且被找到
,如果不是则返回False,比如过滤包含class属性,也包含id属性的元素
def hasClass_Id(tag):
return tag.has_attr('class') and tag.has_attr('id')
print(soup.find_all(hasClass_Id))
#输出结果
[<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)kwargs参数
kwargs参数就是python中的keyword参数 ,如果一个指定名字的参数不是搜索内置的参数名,搜索时会把该参数当作指定名字Tag的属性来搜索
。搜索指定名字的属性时可以使用的参数值包括字符串、正则表达式、列表、True
传入字符串 print(soup.find_all(id='link2')) 会搜索每个tag的id属性
传入正则表达式 print(soup.find_all(href=re.compile('elsie')))搜索href属性中含有‘elsie’的tag
True print(soup.find_all(id=True)) 文档树中查找所有包含id属性的Tag,无论id的值是什么:
如果想用 class过滤·,但class是python的关键字,需要在class后main加个下划线:
soup.find_all('a',class_='sister')
有些tag属性在搜索中不能使用,比如HTML5中的data-*属性 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
,
data_soup = BeautifulSoup('<div data-foo="value">foo!</div>', 'lxml')
print(data_soup.find_all(attrs={"data-foo": "value"}))
# data_soup.find_all(data - foo = 'value') #报错 特殊属性不能这样处理
#输出结果
[<div data-foo="value">foo!</div>]
3)text参数
通过text参数可以搜索文档中的字符串内容。与name参数的可选值一样,text参数接受字符、正则表达式、列表、True
print soup.find_all(text=["Tillie", "Elsie", "Lacie"])
print soup.find_all(text=re.compile("Dormouse"))输出结果
[u'Elsie', u'Lacie', u'Tillie']
[u"The Dormouse's story", u"The Dormouse's story"]
4)limit参数
find_all()方法返回全部的搜索结构,如果文档树很大那么搜索会很慢2.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
soup.find_all('a',limit=2)值返回两条结果
5)recursive参数
调用tag的find_all()方法是,Beautiful Soup会检索当前tag的所有子孙节点,如果只想检索tag的直接子节点,可以使用参数
recusive=False
print(soup.find_all('mytitle'))
print(soup.find_all('mytitle', recursive=False))
#输出结果
[<mytitle>The Dormouse's story</mytitle>]
[]
Python中xPath技术和BeautifulSoup的使用的更多相关文章
- 第14.9节 Python中使用urllib.request+BeautifulSoup获取url访问的基本信息
利用urllib.request读取url文档的内容并使用BeautifulSoup解析后,可以通过一些基本的BeautifulSoup对象输出html文档的基本信息.以博文<第14.6节 使用 ...
- 第14.8节 Python中使用BeautifulSoup加载HTML报文
一. 引言 BeautifulSoup是一个三方模块bs4中提供的进行HTML解析的类,可以认为是一个HTML解析工具箱,对HTML报文中的标签具有比较好的容错识别功能.阅读本节需要了解html相关的 ...
- 关于爬虫中常见的两个网页解析工具的分析 —— lxml / xpath 与 bs4 / BeautifulSoup
http://www.cnblogs.com/binye-typing/p/6656595.html 读者可能会奇怪我标题怎么理成这个鬼样子,主要是单单写 lxml 与 bs4 这两个 py 模块名可 ...
- 在Python中使用BeautifulSoup进行网页爬取
目录 什么是网页抓取? 为什么我们要从互联网上抓取数据? 网站采集合法吗? HTTP请求/响应模型 创建网络爬虫 步骤1:浏览并检查网站/网页 步骤2:创建用户代理 步骤3:导入请求库 检查状态码 步 ...
- 在C#中实现Python的分片技术
在C#中实现Python的分片技术 前言 之前在学习Python的时候发现Python中的分片技术超好玩的,本人也是正则表达式热爱狂,平时用C#比较多,所以决定把Python中的分片技术在C#中实现, ...
- python中的线程技术
#!/user/bin/env python # @Time :2018/7/7 11:42 # @Author :PGIDYSQ #@File :DaemonTest.py import threa ...
- Python中第三方的用于解析HTML的库:BeautifulSoup
背景 在Python去写爬虫,网页解析等过程中,比如: 如何用Python,C#等语言去实现抓取静态网页+抓取动态网页+模拟登陆网站 常常需要涉及到HTML等网页的解析. 当然,对于简单的HTML中内 ...
- python中使用XPath笔记
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: ...
- xpath技术,用在dom4j中
title: xPath语法应用 tags: xPath,dom4j grammar_cjkRuby: true --- 在dom4j中,会使用到xPath技术. 在项目中导入 jaxen-1.1-b ...
随机推荐
- 用@Component注解代替@Configuration注解,定义bean
package com.timo.entity; import org.springframework.beans.factory.annotation.Value; import org.sprin ...
- python构建一个项目
二.实验步骤 2.1 实验准备 我们的实验项目名为 factorial. $ mkdir factorial $ cd factorial/ 2.2 主代码 我们给将要创建的 Python 模块取名为 ...
- CSS样式实现溢出超出DIV边框宽度高度的内容自动隐藏方法
CSS样式实现溢出超出DIV边框宽度高度的内容自动隐藏方法 平时我们布局时候,有的文字内容多了会超过溢出我们限制的高度,有的图片会撑破DIV,让网页错位变乱. 这样我们就需要解决如何使用CSS来超出设 ...
- API教程
www.yuanjiaocheng.net http://www.yuanjiaocheng.net/webapi/test-webapi.html
- lesson 1
1.当前只是开始接触,安装并开始熟悉Visual Studio 的操作界面及基本设置 2.学习了新建项目,简单的hello world,及对颜色的更改.
- 组合数学--Polya 原理及典型应用
Redfield-Polya (Pólya enumeration theorem,简称PET)定理是组合数学理论中最重要的定理之一.自从 1927 年 Redfield 首次运用 group red ...
- HDU 1877 又一版 A+B(进制转换)
看了http://lovnet.iteye.com/blog/1690276的答案 好巧妙的方法 递归实现十进制向m进制转换 #include "stdio.h" int m; v ...
- svn备份
公司的svn体量很大,要是一不小心误删了SVN版本库,就要哭了,所以有了下面的备份脚本 #每个版本库完全备份 #!/bin/bash SOUR_SVN="/var/www/svn" ...
- ANDROID开发笔记(一)
manifest, 英['mænɪfest] vt. 显示,表明;证明;使显现 adj. 明白的,明显的 n. 货单,旅客名单 wrap_content, 根据实际内容调整 原来新版的ADB已经支 ...
- CF#328 (Div. 2) C(大数)
C. The Big Race time limit per test 1 second memory limit per test 256 megabytes input standard inpu ...