摘要：上一篇文章網(wǎng)絡(luò)爬蟲實戰(zhàn)與正則表達(dá)式抓取貓眼電影排行下一篇文章網(wǎng)絡(luò)爬蟲實戰(zhàn)解析庫的使用上一節(jié)我們實現(xiàn)了一個最基本的爬蟲，但提取頁面信息時我們使用的是正則表達(dá)式，用過之后我們會發(fā)現(xiàn)構(gòu)造一個正則表達(dá)式還是比較的繁瑣的，而且萬一有一點地

上一篇文章：Python3網(wǎng)絡(luò)爬蟲實戰(zhàn)---27、Requests與正則表達(dá)式抓取貓眼電影排行
下一篇文章：Python3網(wǎng)絡(luò)爬蟲實戰(zhàn)---29、解析庫的使用：BeautifulSoup

上一節(jié)我們實現(xiàn)了一個最基本的爬蟲，但提取頁面信息時我們使用的是正則表達(dá)式，用過之后我們會發(fā)現(xiàn)構(gòu)造一個正則表達(dá)式還是比較的繁瑣的，而且萬一有一點地方寫錯了就可能會導(dǎo)致匹配失敗，所以使用正則來提取頁面信息多多少少還是有些不方便的。

對于網(wǎng)頁的節(jié)點來說，它可以定義 id、class 或其他的屬性，而且節(jié)點之間還具有層次關(guān)系，在網(wǎng)頁中可以通過 XPath 或 CSS 選擇器來定位一個或多個節(jié)點。那么在頁面解析時，我們利用 XPath 或 CSS 選擇器來提取到某個節(jié)點，然后再調(diào)用相應(yīng)的方法去獲取它的正文內(nèi)容或者屬性不就可以提取我們想要的任意信息了嗎？

在 Python 中，我們怎樣來實現(xiàn)這個操作呢？不用擔(dān)心，這種解析庫已經(jīng)非常多了，其中比較強(qiáng)大的庫有 LXML、BeautifulSoup、PyQuery 等等，本章我們就來介紹一下這三個解析庫的使用，有了它們，我們不用再為正則發(fā)愁，而且解析效率也會大大提高，實為爬蟲必備利器。

XPath，全稱 XML Path Language，即 XML 路徑語言，它是一門在XML文檔中查找信息的語言。XPath 最初設(shè)計是用來搜尋XML文檔的，但是它同樣適用于 HTML 文檔的搜索。

所以在做爬蟲時，我們完全可以使用 XPath 來做相應(yīng)的信息抽取，本節(jié)我們來介紹一下 XPath 的基本用法。

XPath 的選擇功能十分強(qiáng)大，它提供了非常簡潔明了的路徑選擇表達(dá)式，另外它還提供了超過 100 個內(nèi)建函數(shù)用于字符串、數(shù)值、時間的匹配以及節(jié)點、序列的處理等等，幾乎所有我們想要定位的節(jié)點都可以用XPath來選擇。

XPath 于 1999 年 11 月 16 日 成為 W3C 標(biāo)準(zhǔn)，它被設(shè)計為供 XSLT、XPointer 以及其他 XML 解析軟件使用，更多的文檔可以訪問其官方網(wǎng)站：https://www.w3.org/TR/xpath/。

我們現(xiàn)用表格列舉一下幾個常用規(guī)則：

在這里列出了XPath的常用匹配規(guī)則，例如 / 代表選取直接子節(jié)點，// 代表選擇所有子孫節(jié)點，. 代表選取當(dāng)前節(jié)點，.. 代表選取當(dāng)前節(jié)點的父節(jié)點，@ 則是加了屬性的限定，選取匹配屬性的特定節(jié)點。

例如：

//title[@lang=’eng’]

這就是一個 XPath 規(guī)則，它就代表選擇所有名稱為 title，同時屬性 lang 的值為 eng 的節(jié)點。

在后文我們會介紹 XPath 的詳細(xì)用法，通過 Python 的 LXML 庫利用 XPath 進(jìn)行 HTML 的解析。

在使用之前我們首先要確保安裝好了 LXML 庫，如沒有安裝可以參考第一章的安裝過程。

我們現(xiàn)用一個實例來感受一下使用 XPath 來對網(wǎng)頁進(jìn)行解析的過程，代碼如下：

from lxml import etree
text = """

    

         
first item
         
second item
         
third item
         
fourth item
         
fifth item
     
 
"""
html = etree.HTML(text)
result = etree.tostring(html)
print(result.decode("utf-8"))

在這里我們首先導(dǎo)入了 LXML 庫的 etree 模塊，然后聲明了一段 HTML 文本，調(diào)用 HTML 類進(jìn)行初始化，這樣我們就成功構(gòu)造了一個 XPath 解析對象，在這里注意到 HTML 文本中的最后一個 li 節(jié)點是沒有閉合的，但是 etree 模塊可以對 HTML 文本進(jìn)行自動修正。

在這里我們調(diào)用 tostring() 方法即可輸出修正后的 HTML 代碼，但是結(jié)果是 bytes 類型，在這里我們利用 decode() 方法轉(zhuǎn)成 str 類型，結(jié)果如下：

    

         
first item
         
second item
         
third item
         
fourth item
         
fifth item
     
 

我們可以看到經(jīng)過處理之后 li 節(jié)點標(biāo)簽被補(bǔ)全，并且還自動添加了 body、html 節(jié)點。

另外我們也可以直接讀取文本文件進(jìn)行解析，示例如下：

from lxml import etree

html = etree.parse("./test.html", etree.HTMLParser())
result = etree.tostring(html)
print(result.decode("utf-8"))

其中 test.html 的內(nèi)容就是上面例子中的 HTML 代碼，內(nèi)容如下：

    

         
first item
         
second item
         
third item
         
fourth item
         
fifth item
     
 

這次的輸出結(jié)果略有不同，多了一個 DOCTYPE 的聲明，不過對解析無任何影響，結(jié)果如下：

    

         
first item
         
second item
         
third item
         
fourth item
         
fifth item
     
 

我們一般會用 // 開頭的 XPath 規(guī)則來選取所有符合要求的節(jié)點，以上文的 HTML 文本為例，如果我們要選取所有節(jié)點，可以這樣實現(xiàn)：

from lxml import etree
html = etree.parse("./test.html", etree.HTMLParser())
result = html.xpath("http://*")
print(result)

運行結(jié)果：

[, , , , , , , , , , , , , ]

我們在這里使用 * 代表匹配所有節(jié)點，也就是整個 HTML 文本中的所有節(jié)點都會被獲取，可以看到返回形式是一個列表，每個元素是 Element 類型，其后跟了節(jié)點的名稱，如 html、body、div、ul、li、a 等等，所有的節(jié)點都包含在列表中了。

當(dāng)然此處匹配也可以指定節(jié)點名稱，如果我們想獲取所有 li 節(jié)點，示例如下：

from lxml import etree
html = etree.parse("./test.html", etree.HTMLParser())
result = html.xpath("http://li")
print(result)
print(result[0])

在這里我們要選取所有 li 節(jié)點可以使用 //，然后直接加上節(jié)點的名稱即可，調(diào)用時直接調(diào)用 xpath() 方法即可提取。

運行結(jié)果：

[, , , , ]

在這里我們可以看到提取結(jié)果是一個列表形式，其每一個元素都是一個 Element 對象，如果要取出其中一個對象可以直接用中括號加索引即可取出，如 [0]。

我們通過 / 或 // 即可查找元素的子節(jié)點或子孫節(jié)點，加入我們現(xiàn)在想選擇 li 節(jié)點所有直接 a 子節(jié)點，可以這樣來實現(xiàn)：

from lxml import etree

html = etree.parse("./test.html", etree.HTMLParser())
result = html.xpath("http://li/a")
print(result)

在這里我們通過追加一個 /a 即選擇了所有 li 節(jié)點的所有直接 a 子節(jié)點，因為 //li 是選中所有l(wèi)i節(jié)點， /a 是選中l(wèi)i節(jié)點的所有直接子節(jié)點 a，二者組合在一起即獲取了所有l(wèi)i節(jié)點的所有直接 a 子節(jié)點。

運行結(jié)果：

[, , , , ]

但是此處的 / 是選取直接子節(jié)點，如果我們要獲取所有子孫節(jié)點就該使用 // 了，例如我們要獲取 ul 節(jié)點下的所有子孫 a 節(jié)點，可以這樣來實現(xiàn)：

from lxml import etree

html = etree.parse("./test.html", etree.HTMLParser())
result = html.xpath("http://ul//a")
print(result)

運行結(jié)果是相同的。

但是這里如果我們用 //ul/a 就無法獲取任何結(jié)果了，因為 / 是獲取直接子節(jié)點，而在 ul 節(jié)點下沒有直接的 a 子節(jié)點，只有 li 節(jié)點，所以無法獲取任何匹配結(jié)果，代碼如下：

from lxml import etree

html = etree.parse("./test.html", etree.HTMLParser())
result = html.xpath("http://ul/a")
print(result)

運行結(jié)果：

[]

因此在這里我們要注意 / 和 // 的區(qū)別，/ 是獲取直接子節(jié)點，// 是獲取子孫節(jié)點。

我們知道通過連續(xù)的 / 或 // 可以查找子節(jié)點或子孫節(jié)點，那假如我們知道了子節(jié)點怎樣來查找父節(jié)點呢？在這里我們可以用 .. 來獲取父節(jié)點。

比如我們現(xiàn)在首先選中 href 是 link4.html 的 a 節(jié)點，然后再獲取其父節(jié)點，然后再獲取其 class 屬性，代碼如下：

from lxml import etree

html = etree.parse("./test.html", etree.HTMLParser())
result = html.xpath("http://a[@href="link4.html"]/../@class")
print(result)

運行結(jié)果：

["item-1"]

檢查一下結(jié)果，正是我們獲取的目標(biāo) li 節(jié)點的 class，獲取父節(jié)點成功。

同時我們也可以通過 parent:: 來獲取父節(jié)點，代碼如下：

from lxml import etree

html = etree.parse("./test.html", etree.HTMLParser())
result = html.xpath("http://a[@href="link4.html"]/parent::*/@class")
print(result)

在選取的時候我們還可以用 @ 符號進(jìn)行屬性過濾，比如在這里如果我們要選取 class 為 item-1 的 li 節(jié)點，可以這樣實現(xiàn):

from lxml import etree
html = etree.parse("./test.html", etree.HTMLParser())
result = html.xpath("http://li[@class="item-0"]")
print(result)

在這里我們通過加入 [@class="item-0"] 就限制了節(jié)點的 class 屬性為 item-0，而 HTML 文本中符合條件的 li 節(jié)點有兩個，所以返回結(jié)果應(yīng)該返回兩個匹配到的元素，結(jié)果如下：

[, ]

可見匹配結(jié)果結(jié)果正是兩個，至于是不是那正確的兩個，我們在后面驗證一下。

我們用 XPath 中的 text() 方法可以獲取節(jié)點中的文本，我們接下來嘗試獲取一下上文 li 節(jié)點中的文本，代碼如下：

from lxml import etree

html = etree.parse("./test.html", etree.HTMLParser())
result = html.xpath("http://li[@class="item-0"]/text()")
print(result)

運行結(jié)果如下：

["
     "]

很奇怪的是我們并沒有獲取到任何文本，而是只獲取到了一個換行符，這是為什么呢？因為 XPath 中 text() 前面是 /，而此 / 的含義是選取直接子節(jié)點，而此處很明顯 li 的直接子節(jié)點都是 a 節(jié)點，文本都是在 a 節(jié)點內(nèi)部的，所以這里匹配到的結(jié)果就是被修正的 li 節(jié)點內(nèi)部的換行符，因為自動修正的li節(jié)點的尾標(biāo)簽換行了。

即選中的是這兩個節(jié)點：

first item
fifth item

其中一個節(jié)點因為自動修正，li 節(jié)點的尾標(biāo)簽添加的時候換行了，所以提取文本得到的唯一結(jié)果就是 li 節(jié)點的尾標(biāo)簽和 a 節(jié)點的尾標(biāo)簽之間的換行符。

因此，如果我們想獲取 li 節(jié)點內(nèi)部的文本就有兩種方式，一種是選取到 a 節(jié)點再獲取文本，另一種就是使用 //，我們來看下二者的區(qū)別是什么。

首先我們選取到 a 節(jié)點再獲取文本，代碼如下：

from lxml import etree

html = etree.parse("./test.html", etree.HTMLParser())
result = html.xpath("http://li[@class="item-0"]/a/text()")
print(result)

運行結(jié)果：

["first item", "fifth item"]

可以看到這里返回值是兩個，內(nèi)容都是屬性為 item-0 的 li 節(jié)點的文本，這也印證了我們上文中屬性匹配的結(jié)果是正確的。

在這里我們是逐層選取的，先選取了 li 節(jié)點，又利用 / 選取了其直接子節(jié)點 a，然后再選取其文本，得到的結(jié)果恰好是符合我們預(yù)期的兩個結(jié)果。

我們再來看下用另一種方式 // 選取的結(jié)果，代碼如下：

from lxml import etree

html = etree.parse("./test.html", etree.HTMLParser())
result = html.xpath("http://li[@class="item-0"]//text()")
print(result)

運行結(jié)果：

["first item", "fifth item", "
     "]

不出所料，這里返回結(jié)果是三個，可想而知這里是選取所有子孫節(jié)點的文本，其中前兩個就是 li 的子節(jié)點 a 節(jié)點內(nèi)部的文本，另外一個就是最后一個 li 節(jié)點內(nèi)部的文本，即換行符。

所以說，如果我們要想獲取子孫節(jié)點內(nèi)部的所有文本，可以直接用 // 加 text() 的方式獲取，這樣可以保證獲取到最全面的文本信息，但是可能會夾雜一些換行符等特殊字符。如果我們想獲取某些特定子孫節(jié)點下的所有文本，可以先選取到特定的子孫節(jié)點，然后再調(diào)用 text() 方法獲取其內(nèi)部文本，這樣可以保證獲取的結(jié)果是整潔的。

我們知道了用 text() 可以獲取節(jié)點內(nèi)部文本，那么節(jié)點屬性該怎樣獲取呢？其實還是用 @ 符號就可以，例如我們想獲取所有 li 節(jié)點下所有 a 節(jié)點的 href 屬性，代碼如下：

from lxml import etree

html = etree.parse("./test.html", etree.HTMLParser())
result = html.xpath("http://li/a/@href")
print(result)

在這里我們通過 @href 即可獲取節(jié)點的 href 屬性，注意此處和屬性匹配的方法不同，屬性匹配是中括號加屬性名和值來限定某個屬性，如 [@href="link1.html"]，而此處的 @href 指的是獲取節(jié)點的某個屬性，二者需要做好區(qū)分。

運行結(jié)果：

["link1.html", "link2.html", "link3.html", "link4.html", "link5.html"]

可以看到我們成功獲取了所有 li 節(jié)點下的 a 節(jié)點的 href 屬性，以列表形式返回。

有時候某些節(jié)點的某個屬性可能有多個值，例如下面例子：

from lxml import etree
text = """
first item
"""
html = etree.HTML(text)
result = html.xpath("http://li[@class="li"]/a/text()")
print(result)

在這里 HTML 文本中的 li 節(jié)點的 class 屬性有兩個值 li 和 li-first，但是此時如果我們還想用之前的屬性匹配獲取就無法匹配了，代碼運行結(jié)果：

[]

這時如果屬性有多個值就需要用 contains() 函數(shù)了，代碼可以改寫如下：

from lxml import etree
text = """
first item
"""
html = etree.HTML(text)
result = html.xpath("http://li[contains(@class, "li")]/a/text()")
print(result)

這樣我們通過 contains() 方法，第一個參數(shù)傳入屬性名稱，第二個參數(shù)傳入屬性值，這樣只要此屬性包含所傳入的屬性值就可以完成匹配了。

運行結(jié)果：

["first item"]

此種選擇方式在某個節(jié)點的某個屬性有多個值的時候經(jīng)常會用到，如某個節(jié)點的 class 屬性通常有多個。

另外我們可能還遇到一種情況，我們可能需要根據(jù)多個屬性才能確定一個節(jié)點，這是就需要同時匹配多個屬性才可以，那么這里可以使用運算符 and 來連接，示例如下：

from lxml import etree
text = """
first item
"""
html = etree.HTML(text)
result = html.xpath("http://li[contains(@class, "li") and @name="item"]/a/text()")
print(result)

在這里 HTML 文本的 li 節(jié)點又增加了一個屬性 name，這時候我們需要同時根據(jù) class 和 name 屬性來選擇，就可以 and 運算符連接兩個條件，兩個條件都被中括號包圍，運行結(jié)果如下：

["first item"]

這里的 and 其實是 XPath 中的運算符，另外還有很多運算符，如 or、mod 等等，在此總結(jié)如下：

此表參考來源：http://www.w3school.com.cn/xp...。

有時候我們在選擇的時候可能某些屬性同時匹配了多個節(jié)點，但是我們只想要其中的某個節(jié)點，如第二個節(jié)點，或者最后一個節(jié)點，這時該怎么辦呢？

這時可以利用中括號傳入索引的方法獲取特定次序的節(jié)點，示例如下：

from lxml import etree

text = """

    

         
first item
         
second item
         
third item
         
fourth item
         
fifth item
     
 
"""
html = etree.HTML(text)
result = html.xpath("http://li[1]/a/text()")
print(result)
result = html.xpath("http://li[last()]/a/text()")
print(result)
result = html.xpath("http://li[position()<3]/a/text()")
print(result)
result = html.xpath("http://li[last()-2]/a/text()")
print(result)

第一次選擇我們選取了第一個 li 節(jié)點，中括號中傳入數(shù)字1即可，注意這里和代碼中不同，序號是以 1 開頭的，不是 0 開頭的。

第二次選擇我們選取了最后一個 li 節(jié)點，中括號中傳入 last() 即可，返回的便是最后一個 li 節(jié)點。

第三次選擇我們選取了位置小于 3 的 li 節(jié)點，也就是位置序號為 1 和 2 的節(jié)點，得到的結(jié)果就是前 2 個 li 節(jié)點。

第四次選擇我們選取了倒數(shù)第三個 li 節(jié)點，中括號中傳入 last()-2即可，因為 last() 是最后一個，所以 last()-2 就是倒數(shù)第三個。

運行結(jié)果如下：

["first item"]
["fifth item"]
["first item", "second item"]
["third item"]

在這里我們使用了 last()、position() 等函數(shù)，XPath 中提供了 100 多個函數(shù)，包括存取、數(shù)值、字符串、邏輯、節(jié)點、序列等處理功能，具體所有的函數(shù)作用可以參考：http://www.w3school.com.cn/xp...。

XPath 提供了很多節(jié)點軸選擇方法，英文叫做 XPath Axes，包括獲取子元素、兄弟元素、父元素、祖先元素等等，在一定情況下使用它可以方便地完成節(jié)點的選擇，我們用一個實例來感受一下：

from lxml import etree

text = """

    

         
first item
         
second item
         
third item
         
fourth item
         
fifth item
     
 
"""
html = etree.HTML(text)
result = html.xpath("http://li[1]/ancestor::*")
print(result)
result = html.xpath("http://li[1]/ancestor::div")
print(result)
result = html.xpath("http://li[1]/attribute::*")
print(result)
result = html.xpath("http://li[1]/child::a[@href="link1.html"]")
print(result)
result = html.xpath("http://li[1]/descendant::span")
print(result)
result = html.xpath("http://li[1]/following::*[2]")
print(result)
result = html.xpath("http://li[1]/following-sibling::*")
print(result)

運行結(jié)果：

[, , , ]
[]
["item-0"]
[]
[]
[]
[, , , ]

第一次選擇我們調(diào)用了 ancestor 軸，可以獲取所有祖先節(jié)點，其后需要跟兩個冒號，然后是節(jié)點的選擇器，這里我們直接使用了 *，表示匹配所有節(jié)點，因此返回結(jié)果是第一個 li 節(jié)點的所有祖先節(jié)點，包括 html，body，div，ul。

第二次選擇我們又加了限定條件，這次在冒號后面加了 div，這樣得到的結(jié)果就只有 div 這個祖先節(jié)點了。

第三次選擇我們調(diào)用了 attribute 軸，可以獲取所有屬性值，其后跟的選擇器還是 *，這代表獲取節(jié)點的所有屬性，返回值就是 li 節(jié)點的所有屬性值。

第四次選擇我們調(diào)用了 child 軸，可以獲取所有直接子節(jié)點，在這里我們又加了限定條件選取 href 屬性為 link1.html 的 a 節(jié)點。

第五次選擇我們調(diào)用了 descendant 軸，可以獲取所有子孫節(jié)點，這里我們又加了限定條件獲取 span 節(jié)點，所以返回的就是只包含 span 節(jié)點而沒有 a 節(jié)點。

第六次選擇我們調(diào)用了 following 軸，可以獲取當(dāng)前節(jié)點之后的所有節(jié)點，這里我們雖然使用的是 * 匹配，但又加了索引選擇，所以只獲取了第二個后續(xù)節(jié)點。

第七次選擇我們調(diào)用了 following-sibling 軸，可以獲取當(dāng)前節(jié)點之后的所有同級節(jié)點，這里我們使用的是 * 匹配，所以獲取了所有后續(xù)同級節(jié)點。

以上是XPath軸的簡單用法，更多的軸的使用可以參考：http://www.w3school.com.cn/xp...。

到現(xiàn)在為止我們基本上把可能用到的 XPath 選擇器介紹完了， XPath 功能非常強(qiáng)大，內(nèi)置函數(shù)非常多，熟練使用之后可以大大提升 HTML 信息的提取效率。

如想查詢更多 XPath 的用法可以查看：http://www.w3school.com.cn/xp...。

如想查詢更多 Python LXML 庫的用法可以查看：http://lxml.de/。

上一篇文章：Python3網(wǎng)絡(luò)爬蟲實戰(zhàn)---27、Requests與正則表達(dá)式抓取貓眼電影排行
下一篇文章：Python3網(wǎng)絡(luò)爬蟲實戰(zhàn)---29、解析庫的使用：BeautifulSoup