Python之xpath、JsonPath、bs4基本使用

太过爱你忘了你带给我的痛 2023-09-28 13:07 151阅读 0赞

## 1.xpath ##

### 1.1 **xpath使用：** ###

1.  google提前安装xpath插件，按ctrl + shift + x 出现小黑框
2.  安装lxml库 `pip install lxml ‐i https://pypi.douban.com/simple`
3.  导入lxml.etree`from lxml import etree`
4.  etree.parse() 解析本地文件`html_tree = etree.parse('XX.html')`
5.  etree.HTML() 服务器响应文件`html_tree = etree.HTML(response.read().decode('utf‐8')`
6.  .html\_tree.xpath(xpath路径)

### 1.2 **xpath基本语法：** ###

1.路径查询

//：查找所有子孙节点，不考虑层级关系 
    / ：找直接子节点

2.谓词查询

//div[@id] 
    
    //div[@id="maincontent"]

3.属性查询

//@class

4.模糊查询

//div[contains(@id, "he")] 
    
    //div[starts‐with(@id, "he")]

5.内容查询

//div/h1/text()

6.逻辑运算

//div[@id="head" and @class="s_down"] 
    
    //title | //price

### 1.3 **示例：** ###

xpath.html

<!DOCTYPE html>
    <html lang="en">
    <head>
        <meta charset="UTF-8"/>
        <title>Title</title>
    </head>
    <body>
        <ul>
            <li id="l1" class="class1">北京</li>
            <li id="l2" class="class2">上海</li>
            <li id="d1">广州</li>
            <li>深圳</li>
        </ul>
    </body>
    </html>

from lxml import etree
    
    # xpath解析
    # 本地文件：                                          etree.parse
    # 服务器相应的数据    response.read().decode('utf-8')  etree.HTML()
    
    
    tree = etree.parse('xpath.html')
    
    # 查找url下边的li
    li_list = tree.xpath('//body/ul/li')
    print(len(li_list))  # 4
    
    # 获取标签中的内容
    li_list = tree.xpath('//body/ul/li/text()')
    print(li_list)  # ['北京', '上海', '广州', '深圳']
    
    # 获取带id属性的li
    li_list = tree.xpath('//ul/li[@id]')
    print(len(li_list))  # 3
    
    # 获取id为l1的标签内容
    li_list = tree.xpath('//ul/li[@id="l1"]/text()')
    print(li_list)  # ['北京']
    
    # 获取id为l1的class属性值
    c1 = tree.xpath('//ul/li[@id="l1"]/@class')
    print(c1)  # ['class1']
    
    # 获取id中包含l的标签
    li_list = tree.xpath('//ul/li[contains(@id, "l")]/text()')
    print(li_list)  # ['北京', '上海']
    
    # 获取id以d开头的标签
    li_list = tree.xpath('//ul/li[starts-with(@id,"d")]/text()')
    print(li_list)  # ['广州']
    
    # 获取id为l2并且class为class2的标签
    li_list = tree.xpath('//ul/li[@id="l2" and @class="class2"]/text()')
    print(li_list)  # ['上海']
    
    # 获取id为l2或id为d1的标签
    li_list = tree.xpath('//ul/li[@id="l2"]/text() | //ul/li[@id="d1"]/text()')
    print(li_list)  # ['上海', '广州']

### 1.4 **爬取百度搜索按钮的value** ###

import urllib.request
    from lxml import etree
    
    url = 'http://www.baidu.com'
    headers = {
        
        'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/103.0.0.0 Safari/537.36'
    }
    
    request = urllib.request.Request(url=url, headers=headers)
    response = urllib.request.urlopen(request)
    content = response.read().decode('utf-8')
    
    tree = etree.HTML(content)
    value = tree.xpath('//input[@id="su"]/@value')
    
    print(value)

![在这里插入图片描述][1e70671deb504bbcb796af5bc1944a54.png]

### 1.5 **爬取站长素材的图片：** ###

# 需求 下载的前十页的图片
    # https://sc.chinaz.com/tupian/qinglvtupian.html   1
    # https://sc.chinaz.com/tupian/qinglvtupian_page.html
    
    import urllib.request
    from lxml import etree
    
    
    def create_request(page):
        if (page == 1):
            url = 'https://sc.chinaz.com/tupian/qinglvtupian.html'
        else:
            url = 'https://sc.chinaz.com/tupian/qinglvtupian_' + str(page) + '.html'
    
        headers = {
        
            'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/92.0.4515.159 Safari/537.36',
        }
    
        request = urllib.request.Request(url=url, headers=headers)
        return request
    
    
    def get_content(request):
        response = urllib.request.urlopen(request)
        content = response.read().decode('utf-8')
        return content
    
    
    def down_load(content):
        #     下载图片
        # urllib.request.urlretrieve('图片地址','文件的名字')
        tree = etree.HTML(content)
    
        name_list = tree.xpath('//div[@id="container"]//a/img/@alt')
    
        # 一般设计图片的网站都会进行懒加载
        src_list = tree.xpath('//div[@id="container"]//a/img/@src2')
        print(src_list)
        for i in range(len(name_list)):
            name = name_list[i]
            src = src_list[i]
            url = 'https:' + src
    
            urllib.request.urlretrieve(url=url, filename='./loveImg/' + name + '.jpg')
    
    
    if __name__ == '__main__':
        start_page = int(input('请输入起始页码'))
        end_page = int(input('请输入结束页码'))
    
        for page in range(start_page, end_page + 1):
            # (1) 请求对象的定制
            request = create_request(page)
            # （2）获取网页的源码
            content = get_content(request)
            # （3）下载
            down_load(content)

## 2. **JsonPath** ##

### 2.1 **pip安装：** ###

pip install jsonpath

### 2.2 **jsonpath的使用：** ###

obj = json.load(open('json文件', 'r', encoding='utf‐8')) 
    
    ret = jsonpath.jsonpath(obj, 'jsonpath语法')

**JSONPath语法元素和对应XPath元素的对比：**

<table> 
 <thead> 
  <tr> 
   <th><strong>XPath</strong></th> 
   <th><strong>JSONPath</strong></th> 
   <th><strong>Description</strong>-</th> 
  </tr> 
 </thead> 
 <tbody> 
  <tr> 
   <td>/</td> 
   <td>$</td> 
   <td>表示根元素</td> 
  </tr> 
  <tr> 
   <td>.</td> 
   <td>@</td> 
   <td>当前元素</td> 
  </tr> 
  <tr> 
   <td>/</td> 
   <td>. or []</td> 
   <td>子元素</td> 
  </tr> 
  <tr> 
   <td>…</td> 
   <td>n/a</td> 
   <td>父元素</td> 
  </tr> 
  <tr> 
   <td>//</td> 
   <td>…</td> 
   <td>递归下降，JSONPath是从E4X借鉴的。</td> 
  </tr> 
  <tr> 
   <td>*</td> 
   <td>*</td> 
   <td>通配符，表示所有的元素</td> 
  </tr> 
  <tr> 
   <td>@</td> 
   <td>n/a</td> 
   <td>属性访问字符</td> 
  </tr> 
  <tr> 
   <td>[]</td> 
   <td>[]</td> 
   <td>子元素操作符</td> 
  </tr> 
  <tr> 
   <td>|</td> 
   <td>[,]</td> 
   <td>连接操作符在XPath 结果合并其它结点集合。JSONP允许name或者数组索引。</td> 
  </tr> 
  <tr> 
   <td>n/a</td> 
   <td>[start: end:step]</td> 
   <td>数组分割操作从ES4借鉴。</td> 
  </tr> 
  <tr> 
   <td>[]</td> 
   <td>?()</td> 
   <td>应用过滤表示式</td> 
  </tr> 
  <tr> 
   <td>n/a</td> 
   <td>()</td> 
   <td>脚本表达式，使用在脚本引擎下面。</td> 
  </tr> 
  <tr> 
   <td>()</td> 
   <td>n/a</td> 
   <td>Xpath分组</td> 
  </tr> 
 </tbody> 
</table>

**示例：**

jsonpath.json

{
         "store": {
        
        "book": [
          {
         "category": "修真",
            "author": "六道",
            "title": "坏蛋是怎样练成的",
            "price": 8.95
          },
          {
         "category": "修真",
            "author": "天蚕土豆",
            "title": "斗破苍穹",
            "price": 12.99
          },
          {
         "category": "修真",
            "author": "唐家三少",
            "title": "斗罗大陆",
            "isbn": "0-553-21311-3",
            "price": 8.99
          },
          {
         "category": "修真",
            "author": "南派三叔",
            "title": "星辰变",
            "isbn": "0-395-19395-8",
            "price": 22.99
          }
        ],
        "bicycle": {
        
          "author": "老马",
          "color": "黑色",
          "price": 19.95
        }
      }
    }

import json
    import jsonpath
    
    obj = json.load(open('jsonpath.json', 'r', encoding='utf-8'))
    
    # 书店所有书的作者
    author_list = jsonpath.jsonpath(obj, '$.store.book[*].author')
    print(author_list)  # ['六道', '天蚕土豆', '唐家三少', '南派三叔']
    
    # 所有的作者
    author_list = jsonpath.jsonpath(obj, '$..author')
    print(author_list)  # ['六道', '天蚕土豆', '唐家三少', '南派三叔', '老马']
    
    # store下面的所有的元素
    tag_list = jsonpath.jsonpath(obj, '$.store.*')
    print(
        tag_list)  # [[{'category': '修真', 'author': '六道', 'title': '坏蛋是怎样练成的', 'price': 8.95}, {'category': '修真', 'author': '天蚕土豆', 'title': '斗破苍穹', 'price': 12.99}, {'category': '修真', 'author': '唐家三少', 'title': '斗罗大陆', 'isbn': '0-553-21311-3', 'price': 8.99}, {'category': '修真', 'author': '南派三叔', 'title': '星辰变', 'isbn': '0-395-19395-8', 'price': 22.99}], {'author': '老马', 'color': '黑色', 'price': 19.95}]
    
    # store里面所有东西的price
    price_list = jsonpath.jsonpath(obj, '$.store..price')
    print(price_list)  # [8.95, 12.99, 8.99, 22.99, 19.95]
    
    # 第三个书
    book = jsonpath.jsonpath(obj, '$..book[2]')
    print(book)  # [{'category': '修真', 'author': '唐家三少', 'title': '斗罗大陆', 'isbn': '0-553-21311-3', 'price': 8.99}]
    
    # 最后一本书
    book = jsonpath.jsonpath(obj, '$..book[(@.length-1)]')
    print(book)  # [{'category': '修真', 'author': '南派三叔', 'title': '星辰变', 'isbn': '0-395-19395-8', 'price': 22.99}]
    
    # 	前面的两本书
    book_list = jsonpath.jsonpath(obj, '$..book[0,1]')
    # book_list = jsonpath.jsonpath(obj,'$..book[:2]')
    print(
        book_list)  # [{'category': '修真', 'author': '六道', 'title': '坏蛋是怎样练成的', 'price': 8.95}, {'category': '修真', 'author': '天蚕土豆', 'title': '斗破苍穹', 'price': 12.99}]
    
    # 条件过滤需要在（）的前面添加一个？
    # 	 过滤出所有的包含isbn的书。
    book_list = jsonpath.jsonpath(obj, '$..book[?(@.isbn)]')
    print(
        book_list)  # [{'category': '修真', 'author': '唐家三少', 'title': '斗罗大陆', 'isbn': '0-553-21311-3', 'price': 8.99}, {'category': '修真', 'author': '南派三叔', 'title': '星辰变', 'isbn': '0-395-19395-8', 'price': 22.99}]
    
    # 哪本书超过了10块钱
    book_list = jsonpath.jsonpath(obj, '$..book[?(@.price>10)]')
    print(
        book_list)  # [{'category': '修真', 'author': '天蚕土豆', 'title': '斗破苍穹', 'price': 12.99}, {'category': '修真', 'author': '南派三叔', 'title': '星辰变', 'isbn': '0-395-19395-8', 'price': 22.99}]

## 3. **BeautifulSoup** ##

### 3.1 **基本简介：** ###

1.BeautifulSoup简称： bs4 
    2.什么是BeatifulSoup？ 
    	BeautifulSoup，和lxml一样，是一个html的解析器，主要功能也是解析和提取数据 
    3.优缺点？ 
    	缺点：效率没有lxml的效率高 
    	优点：接口设计人性化，使用方便

### 3.2 **安装以及创建：** ###

1.安装
    	pip install bs4 
    2.导入
    	from bs4 import BeautifulSoup 
    3.创建对象 
    	服务器响应的文件生成对象 soup = BeautifulSoup(response.read().decode(), 'lxml') 
    	本地文件生成对象 soup = BeautifulSoup(open('1.html'), 'lxml') 
    	注意：默认打开文件的编码格式gbk所以需要指定打开编码格式utf-8

### 3.3 **节点定位：** ###

1.根据标签名查找节点 
    	soup.a 【注】只能找到第一个a 
    		soup.a.name 
    		soup.a.attrs 
    2.函数 
    	(1).find(返回一个对象) 
    		find('a')：只找到第一个a标签
    		find('a', title='名字') 
    		find('a', class_='名字') 
    	(2).find_all(返回一个列表) 
    		find_all('a') 查找到所有的a 
    		find_all(['a', 'span']) 返回所有的a和span 
    		find_all('a', limit=2) 只找前两个a 
    	(3).select(根据选择器得到节点对象)【推荐】 
    		1.element 
    			eg:p 
    		2..class 
    			eg:.firstname 
    		3.#id
    			eg:#firstname 
    		4.属性选择器 
    			[attribute] 
    				eg:li = soup.select('li[class]') 
    			[attribute=value] 
    				eg:li = soup.select('li[class="hengheng1"]') 
    		5.层级选择器 
    			element element 
    				div p 
    			element>element 
    				div>p 
    			element,element 
    				div,p 
    					eg:soup = soup.select('a,span')

### 3.5 节点信息 ： ###

(1).获取节点内容：适用于标签中嵌套标签的结构 
    	obj.string 
    	obj.get_text()【推荐】 
    (2).节点的属性 
    	tag.name 获取标签名 
    		eg:tag = find('li) 
    			print(tag.name) 
    	tag.attrs将属性值作为一个字典返回 
    (3).获取节点属性 
    	obj.attrs.get('title')【常用】 
    	obj.get('title') 
    	obj['title']

### 3.6 **使用示例：** ###

bs4.html

<!DOCTYPE html>
    <html lang="en">
    <head>
        <meta charset="UTF-8">
        <title>Title</title>
    </head>
    <body>
    
        <div>
            <ul>
                <li id="l1">张三</li>
                <li id="l2">李四</li>
                <li>王五</li>
                <a href="" id="" class="a1">google</a>
                <span>嘿嘿嘿</span>
            </ul>
        </div>
    
    
        <a href="" title="a2">百度</a>
    
        <div id="d1">
            <span>
                哈哈哈
            </span>
        </div>
    
        <p id="p1" class="p1">呵呵呵</p>
    </body>
    </html>

from bs4 import BeautifulSoup
    
    # 通过解析本地文件 来将bs4的基础语法进行讲解
    # 默认打开的文件的编码格式是gbk 所以在打开文件的时候需要指定编码
    soup = BeautifulSoup(open('bs4.html', encoding='utf-8'), 'lxml')
    
    # 根据标签名查找节点
    # 找到的是第一个符合条件的数据
    print(soup.a)  # <a class="a1" href="" id="">google</a>
    # 获取标签的属性和属性值
    print(soup.a.attrs)  # {'href': '', 'id': '', 'class': ['a1']}
    
    # bs4的一些函数
    # （1）find
    # 返回的是第一个符合条件的数据
    print(soup.find('a'))  # <a class="a1" href="" id="">google</a>
    
    # 根据title的值来找到对应的标签对象
    print(soup.find('a', title="a2"))  # <a href="" title="a2">百度</a>
    
    # 根据class的值来找到对应的标签对象  注意的是class需要添加下划线
    print(soup.find('a', class_="a1"))  # <a class="a1" href="" id="">google</a>
    
    # （2）find_all  返回的是一个列表 并且返回了所有的a标签
    print(soup.find_all('a'))  # [<a class="a1" href="" id="">google</a>, <a href="" title="a2">百度</a>]
    
    # 如果想获取的是多个标签的数据 那么需要在find_all的参数中添加的是列表的数据
    print(soup.find_all(['a','span']))  # [<a class="a1" href="" id="">google</a>, <span>嘿嘿嘿</span>, <a href="" title="a2">百</a><spa哈</span>]
    
    # limit的作用是查找前几个数据
    print(soup.find_all('li', limit=2))  # [<li id="l1">张三</li>, <li id="l2">李四</li>]
    
    # （3）select（推荐）
    # select方法返回的是一个列表  并且会返回多个数据
    print(soup.select('a'))  # [<a class="a1" href="" id="">google</a>, <a href="" title="a2">百度</a>]
    
    # 可以通过.代表class  我们把这种操作叫做类选择器
    print(soup.select('.a1'))  # [<a class="a1" href="" id="">google</a>]
    
    print(soup.select('#l1'))  # [<li id="l1">张三</li>]
    
    # 属性选择器---通过属性来寻找对应的标签
    # 查找到li标签中有id的标签
    print(soup.select('li[id]'))  # [<li id="l1">张三</li>, <li id="l2">李四</li>]
    
    # 查找到li标签中id为l2的标签
    print(soup.select('li[id="l2"]'))  # [<li id="l2">李四</li>]
    
    # 层级选择器
    #  后代选择器
    # 找到的是div下面的li
    print(soup.select('div li'))  # [<li id="l1">张三</li>, <li id="l2">李四</li>, <li>王五</li>]
    
    # 子代选择器
    #  某标签的第一级子标签
    # 注意：很多的计算机编程语言中 如果不加空格不会输出内容  但是在bs4中 不会报错 会显示内容
    print(soup.select('div > ul > li'))  # [<li id="l1">张三</li>, <li id="l2">李四</li>, <li>王五</li>]
    
    # 找到a标签和li标签的所有的对象
    print(soup.select(
        'a,li'))  # [<li id="l1">张三</li>, <li id="l2">李四</li>, <li>王五</li>, <a class="a1" href="" id="">google</a>, <a href="" title="a2">百度</a>]
    
    # 节点信息
    #    获取节点内容
    obj = soup.select('#d1')[0]
    # 如果标签对象中 只有内容 那么string和get_text()都可以使用
    # 如果标签对象中 除了内容还有标签 那么string就获取不到数据 而get_text()是可以获取数据
    # 我们一般情况下  推荐使用get_text()
    print(obj.string)  # None
    print(obj.get_text())  # 哈哈哈
    
    # 节点的属性
    obj = soup.select('#p1')[0]
    # name是标签的名字
    print(obj.name)  # p
    # 将属性值左右一个字典返回
    print(obj.attrs)  # {'id': 'p1', 'class': ['p1']}
    
    # 获取节点的属性
    obj = soup.select('#p1')[0]
    #
    print(obj.attrs.get('class'))  # ['p1']
    print(obj.get('class'))  # ['p1']
    print(obj['class'])  # ['p1']

### 3.7 解析星巴克产品名称： ###

import urllib.request
    
    url = 'https://www.starbucks.com.cn/menu/'
    
    response = urllib.request.urlopen(url)
    
    content = response.read().decode('utf-8')
    
    
    from bs4 import BeautifulSoup
    
    soup = BeautifulSoup(content,'lxml')
    
    # //ul[@class="grid padded-3 product"]//strong/text()
    # 一般先用xpath方式通过google插件写好解析的表达式
    name_list = soup.select('ul[class="grid padded-3 product"] strong')
    
    for name in name_list:
        print(name.get_text())

![在这里插入图片描述][ccfa682e5c1948cc930634d2d06d42b7.png]  
[整理自b站大学][b]

[1e70671deb504bbcb796af5bc1944a54.png]: https://img-blog.csdnimg.cn/1e70671deb504bbcb796af5bc1944a54.png
[ccfa682e5c1948cc930634d2d06d42b7.png]: https://img-blog.csdnimg.cn/ccfa682e5c1948cc930634d2d06d42b7.png
[b]: https://www.bilibili.com/video/BV1Db4y1m7Ho?p=75&spm_id_from=pageDriver&vd_source=85ba680d3e4dec73e9cd3187b5ec5ecc