5.网络爬虫——Xpath解析

网络爬虫——Xpath解析

- Xpath简介
- Xpath解析
- - 节点选择
  - 路径表达式
  - 谓语
  - 未知节点
- Xpath实战演示
- - 豆果美食实战
  - 获取数据
  - 源代码

前言：
📝📝此专栏文章是专门针对Python零基础爬虫，欢迎免费订阅！
📝📝第一篇文章获得全站热搜第一，python领域热搜第一，
第四篇文章全站热搜第八，欢迎阅读！
🎈🎈欢迎大家一起学习，一起成长！！
💕💕：悲索之人烈焰加身，堕落者不可饶恕。永恒燃烧的羽翼，带我脱离凡间的沉沦。

在这里插入图片描述

Xpath简介

XPath是一种用于在XML文档中定位节点的语言，它可以用于从XML文档中提取数据，以及在XML文档中进行搜索和过滤操作。它是W3C标准的一部分，被广泛应用于XML文档的处理和分析。

XPath使用路径表达式来描述节点的位置，这些路径表达式类似于文件系统中的路径。路径表达式由一个或多个步骤(step)组成，每个步骤描述了一个节点或一组节点。步骤可以使用关系运算符(如/和//)来连接，以便描述更复杂的节点位置。

XPath还提供了一些内置函数和运算符，可以对XML文档中的数据进行操作和计算。例如，可以使用XPath的数学函数来计算节点的数值，或使用字符串函数来处理节点的文本内容。

在Python中，XPath可以使用lxml库来实现。lxml提供了一个etree模块，该模块包含了XPath的实现，可以方便地对XML文档进行解析和操作，同时支持XPath语法。

Xpath解析

节点选择

XPath用于在XML文档中定位和选择节点，以下是XPath的一些常用用法：
在这里插入图片描述

1. 选择所有节点：

使用双斜杠//选择文档中的所有节点，例如：//node()

2. 按标签名选择节点：

使用标签名选择节点，例如：//book

3. 按属性选择节点：

使用方括号[]和@符号选择具有特定属性值的节点，例如：//book[@category="children"]

4. 选择父节点、子节点和兄弟节点：

使用父节点(…)、子节点(/)和兄弟节点(//)选择节点，例如：//book/title/..、//book/author/following-sibling::title等

5. 使用通配符选择节点：

使用星号*选择任何节点，例如：//book/*选择所有book节点的子节点

6. 使用逻辑运算符选择节点：

使用and、or、not等逻辑运算符选择节点，例如：//book[price<10 and @category="children"]

7. 使用内置函数处理节点：

使用内置函数处理节点的文本和数值，例如：//book[substring(title,1,3)="The"]选择标题以"The"开头的书籍

8. 使用轴选择节点：

使用轴选择节点，例如：//book/ancestor::library选择book节点的library祖先节点

在Python中，使用lxml库的etree模块可以方便地使用XPath进行节点定位和选择。例如，可以使用etree.parse()函数解析XML文档，并使用xpath()方法执行XPath表达式，以便选择和操作XML文档中的节点。

路径表达式

在这里插入图片描述

XPath路径表达式是一种用于在XML文档中定位节点的语法。它由一系列节点名、轴、谓词和运算符组成，可以构造出一个完整的路径，以定位到目标节点。

XPath路径表达式的基本语法如下：

/          : 从根节点开始，定位到目标节点
//         : 从当前节点开始，递归查找所有符合条件的节点
.          : 表示当前节点
..         : 表示当前节点的父节点
*          : 匹配任意节点
@          : 表示属性节点
[]         : 表示谓词，用于筛选符合条件的节点

例如，以下是一些XPath路径表达式的示例：

/                 : 定位到根节点
/bookstore        : 定位到根节点下的bookstore节点
/bookstore/book   : 定位到bookstore节点下的所有book节点
//book            : 递归查找所有book节点
//book[@category='web'] : 查找所有category属性值为web的book节点

XPath路径表达式是XPath语言的核心，它可以用于查询XML文档中的数据，并且在XPath语言中还有很多其他的功能，例如函数、运算符等，可以更加灵活地处理XML数据。

谓语

XPath谓语是一种用于筛选XML文档中特定节点的表达式，它可以在XPath路径中使用。谓语通常由方括号包围，并包括一个条件表达式。

例如，以下XPath路径选择所有名为“book”的元素：

/bookstore/book

如果我们想要选择所有具有价格大于10美元的书籍，我们可以使用以下XPath路径和谓语：

/bookstore/book[price > 10]

在这个例子中，谓语是“[price > 10]”，它指定了一个条件，它只选择价格大于10美元的书籍。

在这里插入图片描述

未知节点

当我们需要选择一个未知节点时，意味着我们无法确定节点的位置或名称，但我们知道节点具有某些特定属性或特征。在这种情况下，我们可以使用通配符、轴、谓词等技术来选择未知节点。

通配符（*）可以用来匹配任何节点，轴可以用来选择与当前节点相关的节点，谓词可以用来筛选符合条件的节点。使用这些技术，我们可以选择任何未知节点，使我们的XPath表达式更加灵活和通用。

在这里插入图片描述

Xpath语法较多，我不一一演示，但在后面实战演示中，会依次讲解，帮助大家理解学习。理论讲解完毕，我们进入实战！！！ 💨💨

Xpath实战演示

所以今天实战内容是关于美食的，毕竟博主是一个吃货 。🍧 🍨 🍩 🍪 🎂 🍰🧀 🍖 🍗 🥩 🥓 🍔 🍟 🍕 🌭 🥪 🌮 🌯 🍜 🍝 🍠 🍢 🍣

豆果美食实战

让我们欣赏一下主页吧！

我们今天不获取照片了，毕竟太吸引人了，哈哈哈。

>和之前一样，我们点击右键，选择检查，查看元素，接着按CTRL+F键

在XPath中，nodename指的是XML文档中的节点名称。节点名称可以是元素名称、属性名称、注释名称、处理指令名称等。

第一个是不是很简单，想找那个就输入那个，我们慢慢来。
/从根节点选取（取子节点）。

url = 'https://www.douguo.com/'

res = requests.get(url)

print(res.text)
html = etree.HTML(res.text)
# /从根节点选取（取子节点）。
rest = html.xpath('/html/head/title')  # 返回Element对象
print(rest)

url = 'https://www.douguo.com/'

res = requests.get(url)

print(res.text)
html = etree.HTML(res.text)
# /从根节点选取（取子节点）。
rest = html.xpath('/html/head/title/text()')  # 返回Element对象
print(rest)

我们在xpath代码里面加入text（），/text() 获取Element对象的元素内容(元素文本)

// 获取任何位置的数据，不从根路径出发

# // 获取任何位置的数据，不从根路径出发
title_text = html.xpath('//title/text()')  # 一般会获取多个数据
print(title_text)

/@属性名获取标签中的属性名的内容

# /@属性名  获取标签中的属性名的内容
attr = html.xpath('//meta/@name')
print(attr)

谓语 (相当于python里面的索引，条件) 选取数据中某部分数据


# 谓语 (相当于python里面的索引，条件)
# 选取数据中某部分数据
index = html.xpath('/html/head/meta[3]')  # meta[3] 获取meta里面的第3个参数
print(index)

在这里插入图片描述

last() 获取最后面的数据

# last() 获取最后面的数据

index = html.xpath('/html/body/div[1]/div/a[last()]')  # meta[3] 获取meta里面的第3个参数
print(index)

在这里插入图片描述

position()<3 获取索引小于3的数据

# position()<3  获取索引小于3的数据
index = html.xpath('/html/body/div[1]/div/a[position()<3]')  # meta[3] 获取meta里面的第3个参数
print(index)

在这里插入图片描述

//meta[@charset] 根据标签名和属性名称进行数据筛选

# //meta[@charset]  根据标签名 和 属性名称进行数据筛选
index = html.xpath('//meta[@charset]')  # meta[3] 获取meta里面的第3个参数
print(index)

在这里插入图片描述

//meta[@name="meta1"] # 标签为meta 并且里面的属性为name,属性的值为author

# //meta[@name="meta1"] # 标签为meta 并且 里面的属性为name,属性的值为author
index = html.xpath('//meta[@name="author"]')
print(index)

在这里插入图片描述

未知节点
不管是什么标签名只要其中有class="meta1"就获取到


# 未知节点
index = html.xpath('//*[@class="item"]')
# 不管是什么标签名 只要其中有class="meta1"就获取到
print(index)

在这里插入图片描述

获取未知的属性
获取meta标签并且里面有一个属性的值=keywords

# 获取未知的属性
# 获取meta标签 并且里面有一个属性的值=keywords
index = html.xpath('//meta[@*="keywords"]')
print(index)

在这里插入图片描述

获取数据

常用的用法基本上都讲了一遍，现在教大家怎么获取更多数据
在这里插入图片描述

我们来获取这些菜谱的名字和作者的名字
首先，我们获取这个网页的源代码到我们本地，这个就不具体演示了，前面几章已经作了详细的讲解，如果有疑问，可以看我之前的文章。

直接展示:

import time
import requests
from lxml import etree
from tabulate import tabulate

url = 'https://www.douguo.com/'

res = requests.get(url)

print(res.text)
# html = etree.HTML(res.text)

在这里插入图片描述

是不是很简单，几行代码就得到了这些数据，接下来我们对源代码里面的数据用Xpath进行解析，来获取我们想要的数据。

首先我们需要认识一行代码
html = etree.HTML(res.text)

这行代码的作用是将 HTTP 响应中的 HTML 文本解析为一个 Element 对象，以便后续对其进行操作，例如提取数据、修改内容、查找元素等等。其中，etree 是 Python 的一个第三方库，可以用来解析 XML 和 HTML 文本。HTML 是一种标记语言，用于构建网页和 Web 应用程序的用户界面。
我们在使用的时候，需要导入，代码如下：
from lxml import etree

进入正题，开始使用Xpath来解析数据：

html = etree.HTML(res.text)
name = html.xpath(f'//*[@id="content"]/ul[1]/li[1]/div/a/text()')
print(name)

在这里插入图片描述

很好，我们通过一行代码获取了第一个美食的名字，一共有八个美食，我们不可能写八行代码来获取名字吧,虽然可以，但太繁琐，不宜使用。我们可以使用循环，他们之间一定有内在的联系，通过解析发现，他们路径基本上相同，不同的li[i]里面的值，我们通过循环来获取名字。

修改后的代码，三行就够了！！

html = etree.HTML(res.text)
for i in range(1, 9):
    name = html.xpath(f'//*[@id="content"]/ul[1]/li[{i}]/div/a/text()')
# name1 = html.xpath(f'//*[@id="content"]/ul[1]/li[2]/div/a/text()')
# name2 = html.xpath(f'//*[@id="content"]/ul[1]/li[3]/div/a/text()')
    print(name)
# print(name1)
# print(name2)

在这里插入图片描述

我们获取了前八个美食的名字，接下来我们获取前八个美食的作者名字，方法和前面一样，先找到一个作者的xpath路径，接着找规律，如何用循环写出来，如下：


res = requests.get(url)

# print(res.text)
html = etree.HTML(res.text)
for i in range(1, 9):
    name = html.xpath(f'//*[@id="content"]/ul[1]/li[{i}]/div/a/text()')
    author = html.xpath(f'//*[@id="content"]/ul[1]/li[{i}]/div/p/a[1]/text()')
    print(name)
    print( author)

在这里插入图片描述

我们获取了想要的数据l，是不是很简单，其实我们还可以美化一下。

    result = tabulate([[name, author]], headers=['Name', 'Author'], tablefmt='orgtbl')
    print(result)

将名字和作者的数据以表格的形式输出。具体实现方式是使用tabulate库中的tabulate函数，将数据列表和表头传入函数中，设置输出格式为orgtbl，最后将输出结果打印出来。

源代码

import time
import requests
from lxml import etree
from tabulate import tabulate

url = 'https://www.douguo.com/'

res = requests.get(url)

# print(res.text)
html = etree.HTML(res.text)
for i in range(1, 9):
    name = html.xpath(f'//*[@id="content"]/ul[1]/li[{i}]/div/a/text()')
    author = html.xpath(f'//*[@id="content"]/ul[1]/li[{i}]/div/p/a[1]/text()')
    print(name)
    print(author)

    result = tabulate([[name, author]], headers=['Name', 'Author'], tablefmt='orgtbl')
    print(result)