Python爬虫学习记录——4.使用Xpath解析豆瓣短评

解析神器Xpath

1. 什么是Xpath

XPath即为XML路径语言（XML Path Language），它是一种用来确定XML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。起初XPath的提出的初衷是将其作为一个通用的、介于XPointer与XSL间的语法模型。但是XPath很快的被开发者采用来当作小型查询语言。

可以阅读该网站：https://www.w3school.com.cn/xpath/xpath_intro.asp，了解更多关于Xpath的知识。

2. Xpath解析网页的流程

• 首先通过Requests库获取网页数据
• 通过网页解析，得到想要的数据或者新的链接
• 网页解析可以通过Xpath或者其它解析工具进行，Xpath在是一个非常好用的网页解析工具
  

3. 常用的网页解析
    

• 正则表达式使用比较困难，学习成本较高
• BeautifulSoup性能较慢，相对于Xpath较难，在某些特定场景下有用
• Xpath使用简单，速度快（Xpath是lxml里面的一种），是抓取数据最好的选择

4. Xpath的安装

• 第一种方法：直接使用pip安装，直接在命令行输入以下代码

  pip install lxml
  

• 第二种方法：使用下载whl文件方法安装，这种方法在直接使用pip安装不成功的情况下采用

  1. 第一步前往http://www.lfd.uci.edu/~gohlke/pythonlibs/，手动下载需要安装的第三方包（注意对应你的python版本是32位还是64位）
  2. 然后在下载下来的文件所在目录按住shift并点击鼠标右键，选择在此处打开Powershell窗口，在此命令行中使用“pip install + 下载下来文件全名”，即可完成安装

• 检查安装：进入Python，输入import lxml导入新安装的lxml，如果没有返回错误便说明已安装成功

Xpath的使用

1. 使用Xpath解析网页数据的步骤

• 从lxml导入etree
• 解析数据，返回xml结构
• 使用.xpath()寻找和定位数据

from lxml import etree

html ='''#省略'''#html数据，使用requests获取

s = etree.HTML(html)#解析html数据

print(s.xpath())#使用.xpath()

2. 获取Xpath的方法

• 第一种方法：从浏览器直接复制

  • 首先在浏览器上定位到需要爬取的数据
  • 右键，点击“检查”，在“Elements”下找到定位到所需数据
  • 右键——Copy——Copy Xpath，即可完成Xpath的复制
    
    示例：

  #从浏览器直接复制Xpath
  import requests
  from lxml import etree
  
  url = 'https://book.douban.com/subject/1084336/comments/'
  r = requests.get(url).text
  
  s = etree.HTML(r)
  print(s.xpath('//*[@id=“comments”]/ul/li[1]/div[2]/p/text()'))
  

• 第二种方法：手写Xpath

  • 获取文本内容用 text()
  • 获取注释用 comment()
  • 获取其它任何属性用@xx，如：
    • href
    • src
    • value
  • 想要获取某个标签下所有的文本（包括子标签下的文本），使用string
    如”< p>123< a>来获取我啊< /a>< /p>”，这边如果想要得到的文本为”123来获取我啊”，则需要使用string
  • starts-with 匹配字符串前面相等
  • contains 匹配任何位置相等

示例：

#手写Xpath
import requests
from lxml import etree

url = 'https://book.douban.com/subject/1084336/comments/'
r = requests.get(url).text

s = etree.HTML(r)
print(s.xpath('//div[@class="comment"]/p/text()')[0])

实战

使用Xpath爬取豆瓣图书《小王子》短评网页

• 使用从浏览器复制Xpath的方法获取同一网页下不同短评的Xpath，通过对比发现其规律
• 对比从浏览器复制Xpath的方法跟手写Xpath的方法的不同点已经两种方法各自的应用场景

import requests
from lxml import etree

url = 'https://book.douban.com/subject/1084336/comments/'
r = requests.get(url).text

s = etree.HTML(r)
#从浏览器复制第一条评论的Xpath
print(s.xpath('//*[@id="comments"]/ul/li[1]/div[2]/p/text()'))
#从浏览器复制第二条评论的Xpath
print(s.xpath('//*[@id="comments"]/ul/li[2]/div[2]/p/text()'))
#从浏览器复制第三条评论的Xpath
print(s.xpath('//*[@id=“comments”]/ul/li[3]/div[2]/p/text()'))

#掌握规律，删除li[]的括号，获取全部短评
print(s.xpath('//*[@id=“comments”]/ul/li/div[2]/p/text()'))

#手写Xpath获取全部短评
print(s.xpath('//div[@class="comment"]/p/text()'))

1. 通过对比可以发现从浏览器复制的Xpath中，“li[]”括号中的数字代表对应的第几条评论，直接删除括号，即可获取全部短评
2. 对于结构清晰的html网页，可以直接手写Xpath，更加简洁且高效
3. 对于结构复杂的html网页，可以通过浏览器复制的方式获取Xpath