Scrapy学习（二）：Xpath使用与并行化操作

一、xpath介绍

XPath 是一门在 XML 文档中查找信息的语言。XPath 用于在 XML 文档中通过元素和属性进行导航。

• XPath 使用路径表达式在 XML 文档中进行导航
• XPath 包含一个标准函数库
• XPath 是 XSLT 中的主要元素
• XPath 是一个 W3C 标准，支持HTML

节点
在 XPath 中，有七种类型的节点：元素、属性、文本、命名空间、处理指令、注释以及文档（根）节点。XML 文档是被作为节点树来对待的。

• 树状结构
• 逐层打开
• 逐层定位
• 寻找独立的节点

二、xpath语法

表达式	描述
nodename	选取此节点的所有子节点。
/	从根节点选取。
//	从匹配选择的当前节点选择文档中的节点，而不考虑它们的位置。
.	选取当前节点。
..	选取当前节点的父节点。
@	选取属性

    
例子
以下面这个xml为例子

  
  29.99



  
  39.95

 

• xml.xpath(“bookstore”) 表示选取 bookstore 元素的所有子节点
• xml.xpath(“/bookstore”) 表示选取根元素 bookstore。
• xml.xpath(“bookstore/book”) 选取属于 bookstore 的子元素的所有 book 元素。
• xml.xpath(“//book”) 选取所有 book 子元素，而不管它们在文档中的位置。
• xml.xpath(“bookstore//book”) 选择属于 bookstore 元素的后代的所有 book 元素，而不管它们位于 bookstore 之下的什么位置。
• xml.xpath(“//@lang”) 选取名为 lang 的所有属性。

谓语

路径表达式	结果
/bookstore/book[1]	选取属于 bookstore 子元素的第一个 book 元素。
/bookstore/book[last()]	选取属于 bookstore 子元素的最后一个 book 元素。
/bookstore/book[last()-1]	选取属于 bookstore 子元素的倒数第二个 book 元素。
/bookstore/book[position()<3]	选取最前面的两个属于 bookstore 元素的子元素的 book 元素。
//title[@lang]	选取所有拥有名为 lang 的属性的 title 元素。
//title[@lang=’eng’]	选取所有 title 元素，且这些元素拥有值为 eng 的 lang 属性。
/bookstore/book[price>35.00]	选取 bookstore 元素的所有 book 元素，且其中的 price 元素的值须大于 35.00。
/bookstore/book[price>35.00]/title	选取 bookstore 元素中的 book 元素的所有 title 元素，且其中的 price 元素的值须大于 35.00。

选取未知节点

通配符    描述

• *    匹配任何元素节点。
• @*    匹配任何属性节点。
• node()    匹配任何类型的节点。

例子：

路径表达式    结果

• /bookstore/*    选取 bookstore 元素的所有子元素。
• //*    选取文档中的所有元素。
• //title[@*]    选取所有带有属性的 title 元素。

选取若干路径
通过在路径表达式中使用“|”运算符，您可以选取若干个路径。

 

• //book/title | //book/price 选取 book 元素的所有 title 和 price 元素。
• //title | //price 选取文档中的所有 title 和 price 元素。
• /bookstore/book/title | //price 选取属于 bookstore 元素的 book 元素的所有 title 元素，以及文档中所有的 price 元素。

三、轴
轴可定义相对于当前节点的节点集。

轴名称    结果
ancestor    选取当前节点的所有先辈（父、祖父等）。
ancestor-or-self    选取当前节点的所有先辈（父、祖父等）以及当前节点本身。
attribute    选取当前节点的所有属性。
child    选取当前节点的所有子元素。
descendant    选取当前节点的所有后代元素（子、孙等）。
descendant-or-self    选取当前节点的所有后代元素（子、孙等）以及当前节点本身。
following    选取文档中当前节点的结束标签之后的所有节点。
namespace    选取当前节点的所有命名空间节点。
parent    选取当前节点的父节点。
preceding    选取文档中当前节点的开始标签之前的所有节点。
preceding-sibling    选取当前节点之前的所有同级节点。
self    选取当前节点。
步的语法： 
轴名称::节点测试[谓语]

例子：

• 例子                 结果
• child::book    选取所有属于当前节点的子元素的 book 节点。
• attribute::lang    选取当前节点的 lang 属性。
• child::*    选取当前节点的所有子元素。
• attribute::*    选取当前节点的所有属性。
• child::text()    选取当前节点的所有文本子节点。
• child::node()    选取当前节点的所有子节点。
• descendant::book    选取当前节点的所有 book 后代。
• ancestor::book    选择当前节点的所有 book 先辈。
• ancestor-or-self::book    选取当前节点的所有 book 先辈以及当前节点（如果此节点是 book 节点）
• child::*/child::price    选取当前节点的所有 price 孙节点。

四、一些函数

starts-with函数
获取以xxx开头的元素 

Html = '''
内容1
内容2
内容3
'''
selector = etree.HTML(Html)
content = xpath(‘//div[stars-with(@id,”test”)]/text()’)
for each in content_1:
    print(each)

 

contains函数
获取包含xxx的元素 
例子：xpath(‘//div[contains(@id,”test”)]’)

and
与的关系 
例子：xpath(‘//div[contains(@id,”test”) and contains(@id,”title”)]’)

 text()函数
例子1：xpath(‘//div[contains(text(),”test”)]’) 
例子2：xpath(‘//div[@id=”“test]/text()’)

五、Python中Xpath使用

1.安装lxml库 pip install lxml

2.导入库

from lxml import etree
Selector = etree.HTML(网页源代码)
#Xpath路径可以通过开发者工具点击元素复制Xpath节点

3.运用

from lxml import etree
html = '''


    1,
    2,
    

        3,
        
4,
    
   5,
    



'''
selector = etree.HTML(html)
content = selector.xpath('//div[@id="test1"]')[0]
print(content)
info = content.xpath('string()')
print(info)
content2 = info.replace('\n','').replace(' ','')
print(content2)
#output:1,2,3,4,5

六、Python并行化操作

from multiprocessing.dummy import Pool as ThreadPool
import requests
import time
def getsource(url):
    html = requests.get(url)

urls = []

for i in range(1,21):
    newpage = 'http://tieba.baidu.com/p/3522395718?pn='+str(i)
    urls.append(newpage)
time1 = time.time()
for i in urls:
    print(i)
    getsource(i)
time2 = time.time()
print("单线程耗时"+str(time2-time1))

pool = ThreadPool(4)
time3 = time.time()
results = pool.map(getsource,urls)
pool.close()
pool.join()
time4 = time.time()
print("并行耗时"+str(time4-time3))
#output :单线程耗时26.22430443763733    并行耗时9.50959062576294