python中的爬虫神器 XPath 介绍

注意：在使用xpath解析数据时，需要将数据来源改为是IE浏览器的USER-AGENT，否则会出现浏览器中可行的xpath代码，但是在程序中却用不了

这里提供IE9的header

Mozilla/5.0 (compatible; MSIE 9.0; Windows NT 6.1; Win64; x64; Trident/5.0)

XPath即为XML路径语言，它是一种用来确定XML（标准通用标记语言的子集）文档中某部分位置的语言。XPath基于XML的树状结构，提供在数据结构树中找寻节点的能力。 xPath 同样也支持HTML.

XPath 是一门小型的查询语言，这里我们将它与 python 爬虫相结合来介绍。

1. python 中如何安装使用XPath

step1: 安装 lxml 库。

step2: from lxml import etree

step3: Selector = etree.HTML(网页源代码)

step4: Selector.xpath(一段神奇的符号)

2. XPath 语法

XPath 使用路径表达式来选取 XML 文档中的节点或节点集。节点是通过沿着路径 (path) 或者步 (steps) 来选取的。

XPath 使用路径表达式在 XML 文档中选取节点。节点是通过沿着路径或者 step 来选取的。

假设有如下的文档：

xml version="1.0" encoding="ISO-8859-1"?>
<bookstore>
   <book>
      <title lang="eng">Harry Pottertitle>
      <price>29.99price>
   book>
   <book>
      <title lang="eng">Learning XMLtitle>
      <price>39.95price>
   book>
bookstore>

下面列出了最有用的路径表达式：

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

在下面的表格中，我们已列出了一些路径表达式以及表达式的结果：

路径表达式	结果
bookstore	选取 bookstore 元素的所有子节点
/bookstore	选取根元素 bookstore。  注释：假如路径起始于正斜杠( / )，则此路径始终代表到某元素的绝对路径！
bookstore/book	选取属于 bookstore 的子元素的所有 book 元素
//book	选取所有 book 子元素，而不管它们在文档中的位置
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
//@lang	选取名为 lang 的所有属性

鉴于篇幅的，只列出了 xpath 的部分语法，更多实例，可以参考 w3chool 的资料

3. python 中的使用示例

假设有如下 html 源码：

<div id="content">   
   <ul id="useful">
      <li>有效信息1li>
      <li>有效信息2li>
      <li>有效信息3li>
   ul>
   <ul id="useless">
      <li>无效信息1li>
      <li>无效信息2li>
      <li>无效信息3li>
   ul>
div>
<div id="url">
   <a href="http://cighao.com">陈浩的博客a>
   <a href="http://cighao.com.photo" title="陈浩的相册">点我打开a>
div>

我们假设把上面的源码已经赋值给了字符串变量 html :

from lxml import etree

# 假设已经存在 html 变量，值为上面的源码

selector = etree.HTML(html)

# 提取 li 中的有效信息123
content = selector.xpath('//ul[@id="useful"]/li/text()')
for each in content:
    print(each)

#提取 a 中的属性
link = selector.xpath('//a/@href')
for each in link:
    print(each)

title = selector.xpath('//a/@title')
for each in title:
    print(each)