爬蟲隨筆三

xpath

特點：樹狀結構、逐層展開、逐層定位、尋找獨立節點。類似於使用jquery進行元素搜尋

在進行網頁抓取的時候，分析定位html節點是獲取抓取資訊的關鍵，目前我用的是lxml模組(用來分析xml文件結構的，當然也能分析html結構)，利用其lxml.html的xpath對html進行分析，獲取抓取資訊。

首先，我們需要安裝乙個支援xpath的python庫。目前在libxml2的**上被推薦的python binding是lxml，也有beautifulsoup，不嫌麻煩的話還可以自己用正規表示式去構建，本文以lxml為例講解。

假設有如下的html文件:

1 2 318

直接使用lxml處理：

1 import codecs
2 from lxml import etree
3 f=codecs.open("ceshi.html","r","utf-8")
4 content=f.read()
5 f.close()
6 tree=etree.html(content)

etree提供了html這個解析函式，現在我們可以直接對html使用xpath了，是不是有點小激動，現在就嘗試下吧。

在使用xpath之前我們先來看看作為對照的jquery和re。

在jquery裡要處理這種東西就很簡單，特別是假如那個ul節點有id的話（比如是）：

$("#china").each(function());

具體到此處是：

$("#leftmenu").children("h3:contains('text')").next("ul").each(function());

找到id為leftmenu的節點，在其下找到乙個內容包含為」text」的h3節點，再取其接下來的乙個ul節點。

在python裡要是用re來處理就略麻煩一些：

block_pattern=re.compile(u"(.*?)", re.i | re.s)
m=block_pattern.findall(content)
item_pattern=re.compile(u"(.*?)", re.i | re.s)
items=item_pattern.findall(m[0])
for i in items:
print i

那麼用xpath要怎麼做呢？其實跟jquery是差不多的：

nodes=tree.xpath("/descendant::ul[@id='china']")

當然，現在沒有id的話也就只能用類似於jquery的方法了。完整的xpath應該是這樣寫的（注意，原檔案中的tag有大小寫的情況，但是在xpath裡只能用小寫）：

nodes=tree.xpath(u"/html/body/form/div[@id='leftmenu']/h3[text()='text']/following-sibling::ul[1]")

更簡單的方法就是像jquery那樣直接根據id定位：

nodes=tree.xpath(u"//div[@id='leftmenu']/h3[text()='text']/following-sibling::ul[1]")

這兩種方法返回的結果中，nodes[0]就是那個「text」的h3節點後面緊跟的第乙個ul節點,這樣就可以列出後面所有的ul節點內容了。

如果ul節點下面還有其他的節點，我們要找到更深節點的內容，如下的迴圈就是把這些節點的文字內容列出：

nodes=nodes[0].xpath("li/a")
for n in nodes:
print n.text

對比三種方法應該可以看出xpath和jquery對於頁面的解析都是基於xml的語義進行，而re則純粹是基於plain text。re對付簡單的頁面是沒有問題，如果頁面結構複雜度較高的時候（比如一堆的div來回巢狀之類），設計乙個恰當的re pattern可能會遠比寫乙個xpath要複雜。特別是目前主流的基於css的頁面設計方式，其中大部分關鍵節點都會有id――對於使用jquery的頁面來說則更是如此，這時xpath相比re就有了決定性的優勢。

xpath基本上是用一種類似目錄樹的方法來描述在xml文件中的路徑。比如用「/」來作為上下層級間的分隔。第乙個「/」表示文件的根節點（注意，不是指文件最外層的tag節點，而是指文件本身）。比如對於乙個html檔案來說，最外層的節點應該是」/html」。

同樣的，「..」和「.」分別被用來表示父節點和本節點。

xpath返回的不一定就是唯一的節點，而是符合條件的所有節點。比如在html文件裡使用「/html/head/scrpt」就會把head裡的所有script節點都取出來。

為了縮小定位範圍，往往還需要增加過濾條件。過濾的方法就是用「[」「]」把過濾條件加上。比如在html文件裡使用「/html/body/div[@id='main']」，即可取出body裡id為main的div節點。

其中@id表示屬性id，類似的還可以使用如@name, @value, @href, @src, @class….

而函式text()的意思則是取得節點包含的文字。比如：helloworld

< /div>中，用」div[text()='hello']「即可取得這個div，而world則是p的text()。

函式position()的意思是取得節點的位置。比如「li[position()=2]」表示取得第二個li節點，它也可以被省略為「li[2]」。

不過要注意的是數字定位和過濾條件的順序。比如「ul/li[5][@name='hello']」表示取ul下第五項li，並且其name必須是hello，否則返回空。而如果用「ul/li[@name='hello'][5]」的意思就不同，它表示尋找ul下第五個name為」hello「的li節點。

此外，「*」可以代替所有的節點名，比如用」/html/body/*/span」可以取出body下第二級的所有span，而不管它上一級是div還是p或是其它什麼東東。

而「descendant::」字首可以指代任意多層的中間節點，它也可以被省略成乙個「/」。比如在整個html文件中查詢id為「leftmenu」的 div，可以用「/descendant::div[@id='leftmenu']」，也可以簡單地使用「 //div[@id='leftmenu']」。

至於「following-sibling::」字首就如其名所說，表示同一層的下乙個節點。」following-sibling::*」就是任意下乙個節點，而「following-sibling::ul」就是下乙個ul節點。

特殊應用：

// 定位根節點

/ 往下層尋找

提取文字內容： /text()

提取屬性內容： /@屬性名

提取html中css屬性的內容，比如這不是要提取的內容

則可以用下面的方式：

titles = selector.xpath('/a/@title')

title = title[0]

print(title[0])

以相同的字元開頭的情況

starts-with(@屬性名稱,屬性字元相同的部分)

標籤套標籤，提取全部內容

爬蟲隨筆三

Python爬蟲隨筆1

Python 網路爬蟲隨筆

新聞隨筆華三

爬蟲隨筆三

Python爬蟲隨筆1

Python 網路爬蟲隨筆

新聞隨筆 華三

相關推薦

新聞隨筆華三