【Python】爬虫解析利器Xpath，由浅入深快速掌握（附源码例子）

旧城等待， 2022-10-19 08:49 151阅读 0赞

**目录**

前言

一、什么是Xpath

二、安装lxml

三、lxml初体验

四、lxml加载HTML文本

五、巧用浏览器开发工具

六、教程源码

总结

写在后面

--------------------

# 前言 #

咱们在爬虫的时候，通常能够把目标网页给请求到。并把整个网页的内容拿到。然而并不是整个网页的数据都是我们需要的。我们的目标数据可能只是网页里面某些特定位置的数据。这个时候我们可以使用Xpath对于数据进行定位。

# 一、什么是Xpath #

Xpath 是在XML文档中搜索内容的一门语言。XML是可扩展标记语言。通常用于描述数据。我们熟悉的HTML语言其实可以看作是XML语言的一个子集。因此学习Xpath这个搜索工具也可以用在对于HTML文本中的内容搜索。

# 二、安装lxml #

人生苦短，我选python。在python里面使用Xpath，咱们要引入lxml模块。

> pip install lxml

如果下载太慢的话可以用国内清华源

> pip install lxml -i https://pypi.tuna.tsinghua.edu.cn/simple

# 三、lxml初体验 #

安装完lxml模块之后，我们把它导入进来

> from lxml import etree

我们定义一个xml的文本。内容如下：

<idol>
        <id>1</id>
        <name>周杰伦</name>
        <nick>Jay</nick>
        <nick>胖伦</nick>
        <nick>公举伦</nick>
        <song>
            <title id="1">晴天</title>
            <title id="2">七里香</title>
            <title id="3">龙卷风</title>
            <title id="4">甜甜的</title>
        </song>
        <div>
            <nick>第一个div的nick</nick>
            <div>
                <nick>第二个div的nick</nick>
                <div>
                    <nick>第三个div的nick</nick>
                </div>
            </div>
        </div>
        <span>
            <nick>span的nick</nick>
        </span>
        <partner>
            <nick id="fws">方文山</nick>
            <nick id="yrd">杨瑞代</nick>
            <nick id="jp">巨炮</nick>
        </partner>
    </idol>

在正式进入编程之前，补充几个基本概念

*  根节点
 *  父节点
 *  子节点
 *  同胞节点

最上层的<idol>标签是根节点，根节点就是第一个节点。，接下来的<id>标签是<idol>标签的子节点。<idol>标签是<id>标签的子节点。父子节点是相对的。<title>标签是<song>的子节点，是<idol>的孙节点。<id>和<nick>还有<song>则是同胞节点。也就是说，同一级的节点就称之为同胞节点。

我们把xml文本加载进来

> xml\_tree = etree.XML(xml)

加载完成后，咱们直接使用.xpath()方法就可以填入xpath路径对数据进行定位了

代码如下:

xml_tree = etree.XML(xml)
    result = xml_tree.xpath('/idol')  # /表示层级关系，第一个/是根节点
    print(result)

如果我们想拿某个标签的值的话，我们只需要在对应的标签后面再加一个text()即可进行取值。

xml_tree = etree.XML(xml)
    name = xml_tree.xpath('/idol/name/text()')  # text()拿文本
    print(name)
    # text()拿文本，拿到周杰伦的昵称
    nick = xml_tree.xpath('/idol/nick/text()')  
    print(nick)

上面只是拿到了/idol/nick的节点的数据

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3poaDc2Mzk4NDAxNw_size_16_color_FFFFFF_t_70][]

但是我想把根节点下面的所有nick标签都拿到要怎么办呢？我们只需要把xpath路径要查找的节点加上双斜杠，代码如下：

xml_tree = etree.XML(xml)
    # idol标签后面是两杠连着nick标签的话，表示迭代idol里面所有的nick标签出来
    all_nick = xml_tree.xpath('/idol//nick/text()') 
    print(all_nick)

# 四、lxml加载HTML文本 #

我们已经初步了解了xpath的使用，这里我们进一步学习，用xpath来解析HTML文件。这个在咱们爬虫的时候也是用的比较多的。在这里我先准备了一个baiyu.html文件，代码如下：

<!DOCTYPE html>
    <html lang="en">
    <head>
        <meta charset="UTF-8"/>
        <title>Title</title>
    </head>
    <body>
    <ul>
        <li><h1 class="name">
            <a href="https://blog.csdn.net/zhh763984017">攻城狮白玉</a>
        </h1></li>
        <li><h1 class="sex"><a>男</a></h1></li>
        <li><h1 class="describe"><a>宇宙第一超级无敌帅</a></h1></li>
        <li><h1><a>一只攻城狮</a></h1></li>
    </ul>
    <ol>
        <li>
            <a href="https://blog.csdn.net/zhh763984017/article/details/117876313">
                【语言】拯救新手，半小时从零到一认识C语言基础</a>
        </li>
        <li>
            <a href="https://blog.csdn.net/zhh763984017/article/details/118057831">
                【C语言】数据类型一文详解</a>
        </li>
        <li>
            <a href="https://blog.csdn.net/zhh763984017/article/details/118343859">
                【C语言】函数详解（入门到进阶）</a>
        </li>
    </ol>
    <div class="job">混凝土瞬间移动工程师</div>
    <div class="hobby">爱好：女</div>
    </body>
    </html>

页面效果如下（有点丑，前端大佬们 别喷）

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3poaDc2Mzk4NDAxNw_size_16_color_FFFFFF_t_70 1][]

我们把HTML文件通过pares()方法载入进来

> tree = etree.parse('baiyu.html')

索引出ul下的所有a标签的值

# 索引出所有的符合条件的a标签的值
    me = tree.xpath('/html/body/ul/li/h1/a/text()')  7
    print(me)

输出的列表值是，

> \['攻城狮白玉', '男', '宇宙第一超级无敌帅', '一只攻城狮'\]

但是我此时只想要第一个的值，即我的名字的值，此时我们只需要在li索引第一个的值就好了，xpath的索引初始值是1，跟咱们在数组或者列表学习时的初始索引不一样。

# xpath的顺序是从1开始数的，中括号[]表示索引,数字索引表示第几个
    name = tree.xpath('/html/body/ul/li[1]/h1/a/text()')  
    print(name)

输出列表是

> \['攻城狮白玉'\]

上面通过 tree.xpath('/html/body/ul/li/h1/a/text()') 索引出来的是所有的h1标签下的a标签

如果我只需要带有class属性的h1标签下a标签的话，那我们只需要在通过**@属性**来进行索引

# 索引出所有的带class属性的a标签的值
    me_class = tree.xpath('/html/body/ul/li/h1[@class]/a/text()')  
    print(me_class)  # 一只攻城狮这个标签是不带class属性的，所以没有输出

输出列表

> \['攻城狮白玉', '男', '宇宙第一超级无敌帅'\]

此时我们发现一只攻城狮，这个值没有了，因为它不带class属性

![20210710143906352.png][]

除了通过数字进行索引定位到具体的标签，我们也可以通过属性的值定位到具体的标签。例如找到class值为describe的标签

# 索引出class="describe"
    describe = tree.xpath('/html/body/ul/li/h1[@class="describe"]/a/text()')
    print(describe)

输出的值

> \['宇宙第一超级无敌帅'\]

在实际应用中，很多时候，我们并不直接从根节点进行数据操作。而是先确定一个范围节点作为我们的根节点。lxml也允许我们进行相对操作。

例如我在示例代码里面文章链接都是在<ol>标签下<li>标签的<a>标签里面的属性数据。于是我们可以先定位到<ol>下的<li>作为根节点，然后从当前节点找到对应的<a>标签

article_list = tree.xpath("/html/body/ol/li")
    for article in article_list:
        article_name = article.xpath("./a/text()")  # 在li中继续寻找，./是相对查找
        article_url = article.xpath("./a/@href")  # 拿到属性值，@属性
        print(article_name, article_url)

这里拿到所有的数据之后就进行一个遍历。然后通过**text()**和**@属性**把对应的值和属性值给取出来。

# 五、巧用浏览器开发工具 #

我们这么根据节点这样一个一个去敲xpath路径进行定位，是可行的，不过当页面比较复杂的时候呢，我们有时可能会数乱了。这个时候我们可以利用浏览器的开发者工具协助我们做一些事情。在这里我用的是谷歌浏览器chrome。

在我们打开我预先准备好的网页之后，按一下**F12**，打开开发者工具，点击第一个按钮**“选择一个元素进行审查”**

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3poaDc2Mzk4NDAxNw_size_16_color_FFFFFF_t_70 2][]

接着我们找到我们想要定位的标签。比如这里我要把我的工作描述——**混凝土瞬间移动工程师**。给选出来，并且赋值了xpath路径。当我们直接粘贴的时候，就是这个标签对应的xpath路径了。

![20210710144147392.gif][]此时我们复制到的值就是**‘/html/body/div\[1\]’**，粘贴到xpath打印出对应的值。

# 因为返回的值是是列表，用索引的可以取出来列表元素
    job = tree.xpath('/html/body/div[1]/text()')[0]
    print("工作：", job)

输出的值：

> 工作： 混凝土瞬间移动工程师

很多时候，我们可以通过浏览器的开发者工具，将复杂的xpath路径复制出来，然后进行一个微调。这样子可以节省很多时间。

# 六、教程源码 #

本文的所有代码如下：

from lxml import etree
    
    
    # 加载xml数据
    def load_xml():
        xml = '''
    <idol>
        <id>1</id>
        <name>周杰伦</name>
        <nick>Jay</nick>
        <nick>胖伦</nick>
        <nick>公举伦</nick>
        <song>
            <title id="1">晴天</title>
            <title id="2">七里香</title>
            <title id="3">龙卷风</title>
            <title id="4">甜甜的</title>
        </song>
        <div>
            <nick>第一个div的nick</nick>
            <div>
                <nick>第二个div的nick</nick>
                <div>
                    <nick>第三个div的nick</nick>
                </div>
            </div>
        </div>
        <span>
            <nick>span的nick</nick>
        </span>
        <partner>
            <nick id="fws">方文山</nick>
            <nick id="yrd">杨瑞代</nick>
            <nick id="jp">巨炮</nick>
        </partner>
    </idol>
        '''
        xml_tree = etree.XML(xml)
        result = xml_tree.xpath('/idol')  # /表示层级关系，第一个/是根节点
        print(result)
        # result = xml_tree.xpath('/idol/name')
        name = xml_tree.xpath('/idol/name/text()')  # text()拿文本
        print(name)
        nick = xml_tree.xpath('/idol/nick/text()')  # text()拿文本
        print(nick)
        all_nick = xml_tree.xpath('/idol//nick/text()')  # author标签后面是两杠的话，表示迭代author里面所有的nick标签出来
        print(all_nick)
    
    
    # 加载html文件
    def load_html():
        tree = etree.parse('baiyu.html')
    
        me = tree.xpath('/html/body/ul/li/h1/a/text()')  # 索引出所有的符合条件的a标签的值
        print(me)
        name = tree.xpath('/html/body/ul/li[1]/h1/a/text()')  # xpath的顺序是从1开始数的，中括号[]表示索引,数字索引表示第几个
        print(name)
        sex = tree.xpath('/html/body/ul/li[2]/h1/a/text()')
        print(sex)
    
        me_class = tree.xpath('/html/body/ul/li/h1[@class]/a/text()')  # 索引出所有的带class属性的a标签的值
        print(me_class)  # 一只攻城狮这个标签是不带class属性的，所以没有输出
    
        describe = tree.xpath('/html/body/ul/li/h1[@class="describe"]/a/text()')  # 索引出class="describe"
        print(describe)
    
        # result = tree.xpath('/html/body/ol/li/a[@href]/text()')  # [@xxx]表示，属性xxx的索引
        article_list = tree.xpath("/html/body/ol/li")
        for article in article_list:
            article_name = article.xpath("./a/text()")  # 在li中继续寻找，./是相对查找
            article_url = article.xpath("./a/@href")  # 拿到属性值，@属性
            print(article_name, article_url)
    
        job = tree.xpath('/html/body/div[1]/text()')[0]  # 因为返回的值是是列表，用索引的可以取出来列表元素
        print("工作：", job)
        hobby = tree.xpath('/html/body/div[@class="hobby"]/text()')[0]
        print(hobby)
    
    
    if __name__ == '__main__':
        load_xml()
        print('-------------')
        load_html()

# 总结 #

通过xpath我们可以轻松定位到XML文本或者HTML文本里的内容。借助lxml库，我们可以通过python快速使用xpath对于标记文本进行解析。

# 写在后面 #

如果觉得有用的话，麻烦**一键三连**支持一下**攻城狮白玉，**并把本文分享给更多的小伙伴。你的简单支持，我的无限创作动力

[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3poaDc2Mzk4NDAxNw_size_16_color_FFFFFF_t_70]: /images/20221005/af8f830c0a094d42a680dec8624f9cfc.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3poaDc2Mzk4NDAxNw_size_16_color_FFFFFF_t_70 1]: /images/20221005/be5162d3d9634a2c9e7964afc2c0e746.png
[20210710143906352.png]: /images/20221005/3b8e59c6418b416bb533185211ac98f0.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3poaDc2Mzk4NDAxNw_size_16_color_FFFFFF_t_70 2]: /images/20221005/0514b5f6a168427db44fcb50ee481b61.png
[20210710144147392.gif]: /images/20221005/3923f1be94cd457a836bcb425094dea6.png