Python爬虫基础（二）：使用xpath与jsonpath解析爬取的数据
文章目录
- 系列文章索引
- 一、使用xpath解析html文件
-
- 1、浏览器安装xpath-healper
-
- （1）谷歌浏览器安装（需要科学上网）
- （2）验证
- （3）使用文件安装（不需科学上网）
- 2、安装lxml库
- 3、xpath基本语法
- 4、xpath解析本地文件实例
- 5、实战：获取小说的标题与内容
- 6、实战：下载站长素材图片
- 二、使用JsonPath解析json本地文件
-
- 1、JsonPath基本介绍
- 2、安装JsonPath
- 3、使用实例
- 4、实战：解析淘票票下所有区域列表
- 三、使用BeautifulSoup解析html文件
-
- 1、基本介绍
- 2、安装BeautifulSoup
- 3、基本使用
- 4、使用实例
- 5、实战：获取星巴克中产品名
系列文章索引
Python爬虫基础（一）：urllib库的使用详解
Python爬虫基础（二）：使用xpath与jsonpath解析爬取的数据
Python爬虫基础（三）：使用Selenium动态加载网页
Python爬虫基础（四）：使用更方便的requests库
Python爬虫基础（五）：使用scrapy框架
一、使用xpath解析html文件
1、浏览器安装xpath-healper
（1）谷歌浏览器安装（需要科学上网）
打开浏览器，添加扩展程序（谷歌浏览器需要科学上网，其他浏览器不需要）：
（2）验证
按下ctrl+shift+x，在浏览器上方出现小黑框，则说明安装成功了（没出来的话重启浏览器尝试一下）。
（3）使用文件安装（不需科学上网）
下载文件：https://download.csdn.net/download/A_art_xiang/88305675
下载之后，解压压缩包。
在谷歌浏览器中，管理扩展程序，打开开发者模式，点击加载已解压的扩展程序，选择解压后的文件夹，添加即可。
2、安装lxml库
# 进入到python安装目录的Scripts目录
d:
cd D:\python\Scripts
# 安装lxml库
pip install lxml -i https://pypi.douban.com/simple
# 如果有报错的话，可以根据提示更新一下pip（一定要退出当前目录cd .. 不然安装失败）
# python.exe -m pip install --upgrade pip
3、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
//@value
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
4、xpath解析本地文件实例
准备一个html测试文件：
DOCTYPE html>
<html lang="en">
<head>
<meta charset="UTF-8"/>
<title>Titletitle>
head>
<body>
<ul>
<li id="l1" class="c1">北京li>
<li id="l2">上海li>
<li id="c3">深圳li>
<li id="c4">武汉li>
ul>
<ul>
<li>大连li>
<li>锦州li>
<li>沈阳li>
ul>
body>
html>
from lxml import etree
# xpath解析
# xpath解析本地文件，使用parse方法
tree = etree.parse('index.html')
#tree.xpath('xpath路径')
# 1.路径查询
# 查找ul下面的li （7个数据）
li_list = tree.xpath('//body/ul/li')
# 2.谓词查询
# 查找所有有id的属性的li标签
# text()获取标签中的内容 （结果：['北京', '上海', '深圳', '武汉']）
li_list = tree.xpath('//ul/li[@id]/text()')
# 找到id为l1的li标签 注意引号的问题 （结果：['北京']）
li_list = tree.xpath('//ul/li[@id="l1"]/text()')
# 3.属性查询
# 查找到id为l1的li标签的class的属性值 （结果：['c1']）
li_list = tree.xpath('//ul/li[@id="l1"]/@class')
# 4.模糊查询
# 查询id中包含l的li标签 （结果：['北京', '上海']）
li_list = tree.xpath('//ul/li[contains(@id,"l")]/text()')
# 查询id的值以l开头的li标签（结果：['深圳', '武汉']）
li_list = tree.xpath('//ul/li[starts-with(@id,"c")]/text()')
# 6.逻辑运算
#查询id为l1和class为c1的（结果：['北京']）
li_list = tree.xpath('//ul/li[@id="l1" and @class="c1"]/text()')
# 查询id为l1的内容和id为l2的内容 （结果：['北京', '上海']）
li_list = tree.xpath('//ul/li[@id="l1"]/text() | //ul/li[@id="l2"]/text()')
print(li_list)
# 判断列表的长度
print(len(li_list))
5、实战：获取小说的标题与内容
我们查找到该小说的标题所在的标签：
使用ctrl+shift+x打开我们之前安装的xpath-helper，可以进行验证：
同理，获取小说的内容。
编写代码，获取小说章节的标题与内容：
# （1） 获取网页的源码
# （2） 解析 解析的服务器响应的文件 etree.HTML
# (3) 打印
import urllib.request
# 获取小说文章
url = 'http://www.yetianlian.cc/yt4017/29601238.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'
}
# 请求对象的定制
request = urllib.request.Request(url = url,headers = headers)
# 模拟浏览器访问服务器
response = urllib.request.urlopen(request)
# 获取网页源码
content = response.read().decode('utf-8')
# 解析网页源码 来获取我们想要的数据
from lxml import etree
# 解析服务器响应的文件 使用HTML方法
tree = etree.HTML(content)
# 获取想要的数据 xpath的返回值是一个列表类型的数据
# 获取小说的标题
result = tree.xpath('//div[@class="content"]/h1/text()')[0]
print(result)
# 获取小说的内容
result = tree.xpath('//div[@id="content"]/text()')
# 遍历内容
for res in result:
print(res)
6、实战：下载站长素材图片
# (1) 请求对象的定制
# （2）获取网页的源码
# （3）下载
# 需求 下载的前十页的图片
import urllib.request
from lxml import etree
def create_request(page):
if(page == 1):
url = 'https://sc.chinaz.com/tupian/fengjing.html'
else:
url = 'https://sc.chinaz.com/tupian/fengjing_' + 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)
# 获取图片的alt属性，作为图片名
name_list = tree.xpath('//div[@class="item"]/img/@alt')
# 一般设计图片的网站都会进行懒加载
# 取src有可能取不到，可以取data-original，作为图片地址
src_list = tree.xpath('//div[@class="item"]/img/@data-original')
# 判断目录是否存在
import os
dir_path = './images/'
# 使用os模块的`path.exists()`方法来检查目录是否存在
if not os.path.exists(dir_path):
# 如果目录不存在，则使用os模块的`mkdir()`方法创建目录
os.mkdir(dir_path)
for i in range(len(name_list)):
name = name_list[i]
src = src_list[i]
url = 'https:' + src
# 将图片保存到本地，需要手动创建images目录
urllib.request.urlretrieve(url=url,filename=dir_path + 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)
二、使用JsonPath解析json本地文件
1、JsonPath基本介绍
JsonPath只能解析json文件，而不是像xpath既可以解析文件，也可以直接解析字符串。
所以说，想要使用JsonPath解析JSON，只能将爬取的json数据保存到本地之后，才能进行解析。
JsonPath用起来与xpath类似，也需要使用其特定的语法，以下是JSONPath语法元素和对应XPath元素的对比：
| XPath | JSONPath | Description |
|---|---|---|
| / | $ | 表示根元素 |
| . | @ | 当前元素 |
| / | . or [] | 子元素 |
| … | n/a | 父元素 |
| // | … | 递归下降，JSONPath是从E4X借鉴的。 |
| * | * | 通配符，表示所有的元素 |
| @ | n/a | 属性访问字符 |
| [] | [] | 子元素操作符 |
| | | [,] | 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。 |
| n/a | [start:end :step] | 数组分割操作从ES4借鉴。 |
| [] | ?() | 应用过滤表示式 |
| n/a | () | 脚本表达式，使用在脚本引擎下面。 |
| () | n/a | Xpath分组 |
2、安装JsonPath
d:
cd D:\python\Scripts
# 安装
pip install jsonpath -i https://pypi.douban.com/simple
3、使用实例
{ "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
# 总体分两步：加载、解析
# obj = json.load(open('json文件', 'r', encoding='utf‐8'))
# ret = jsonpath.jsonpath(obj, 'jsonpath语法')
obj = json.load(open('_jsonpath.json','r',encoding='utf-8'))
# 书店所有书的作者
# author_list = jsonpath.jsonpath(obj,'$.store.book[*].author')
# print(author_list)
# 所有的作者
# author_list = jsonpath.jsonpath(obj,'$..author')
# print(author_list)
# store下面的所有的元素
# tag_list = jsonpath.jsonpath(obj,'$.store.*')
# print(tag_list)
# store里面所有东西的price
# price_list = jsonpath.jsonpath(obj,'$.store..price')
# print(price_list)
# 第三个书
# book = jsonpath.jsonpath(obj,'$..book[2]')
# print(book)
# 最后一本书
# book = jsonpath.jsonpath(obj,'$..book[(@.length-1)]')
# print(book)
# 前面的两本书
# book_list = jsonpath.jsonpath(obj,'$..book[0,1]')
# book_list = jsonpath.jsonpath(obj,'$..book[:2]')
# print(book_list)
# 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,'$..book[?(@.isbn)]')
# print(book_list)
# 哪本书超过了10块钱
book_list = jsonpath.jsonpath(obj,'$..book[?(@.price>10)]')
print(book_list)
4、实战：解析淘票票下所有区域列表
鼠标移到地址的位置之后，会调用一个post请求，获取全国所有的地址。
因为JsonPath只能解析本地文件，不能直接解析字符串，我们还需要将json存放到本地，才能解析。
但是这个接口的返回信息，并不是一个json数据，所以需要进行特殊处理。
import urllib.request
url = 'https://dianying.taobao.com/cityAction.json?activityId&_ksTS=1629789477003_137&jsoncallback=jsonp138&action=cityAction&n_s=new&event_submit_doGetAllRegion=true'
headers = {
'referer': 'https://dianying.taobao.com/',
}
request = urllib.request.Request(url = url, headers = headers)
response = urllib.request.urlopen(request)
content = response.read().decode('utf-8')
# split 切割，对结果进行处理，获取最终的json
content = content.split('(')[1].split(')')[0]
with open('tpp.json','w',encoding='utf-8')as fp:
fp.write(content)
import json
import jsonpath
obj = json.load(open('tpp.json','r',encoding='utf-8'))
# 获取所有的城市中文名
city_list = jsonpath.jsonpath(obj,'$..regionName')
print(city_list)
三、使用BeautifulSoup解析html文件
1、基本介绍
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
2、安装BeautifulSoup
d:
cd D:\python\Scripts
# 安装
pip install bs4 -i https://pypi.douban.com/simple
3、基本使用
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
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’)
4、使用实例
本地html文件：
DOCTYPE html>
<html lang="en">
<head>
<meta charset="UTF-8">
<title>Titletitle>
head>
<body>
<div>
<ul>
<li id="l1">张三li>
<li id="l2" class="a1">李四li>
<li>王五li>
<a href="" id="" class="a1">腾讯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('075_尚硅谷_爬虫_解析_bs4的基本使用.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，查找第一个a标签 结果：腾讯
print(soup.a)
# 获取标签的属性和属性值 结果：{'href': '', 'id': '', 'class': ['a1']}
print(soup.a.attrs)
# bs4的一些函数
# （1）find
# 返回的是第一个符合条件的数据 结果：腾讯
print(soup.find('a'))
# 根据title的值来找到对应的标签对象 结果：百度
print(soup.find('a',title="a2"))
# 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 结果：腾讯
print(soup.find('a',class_="a1"))
# （2）find_all
# 返回的是一个列表 并且返回了所有的a标签 结果：[腾讯, 百度]
print(soup.find_all('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
# 结果：a和span都返回了，是一个列表
print(soup.find_all(['a','span']))
# limit的作用是查找前几个数据
print(soup.find_all('li',limit=2))
# （3）select（推荐）
# select方法返回的是一个列表 并且会返回多个数据
# 结果：返回所有的a标签
print(soup.select('a'))
# 可以通过.代表class 我们把这种操作叫做类选择器
# 选择所有class为a1的标签
print(soup.select('.a1'))
# 选择id为l1的标签
print(soup.select('#l1'))
# 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]'))
# 查找到li标签中id为l2的标签
print(soup.select('li[id="l2"]'))
# 层级选择器
# 后代选择器
# 找到的是div下面的li，不限层级
print(soup.select('div li'))
# 子代选择器
# 某标签的第一级子标签，注意是第一个子级
# 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'))
# 找到a标签和li标签的所有的对象，相当于find_all
print(soup.select('a,li'))
# 获取节点信息
# 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)
# 获取标签的内容
print(obj.get_text())
# 节点的属性
obj = soup.select('#p1')[0]
# name是标签的名字 ： p
print(obj.name)
# 将属性值作为一个字典返回 结果：{'id': 'p1', 'class': ['p1']}
print(obj.attrs)
# 获取节点的属性
obj = soup.select('#p1')[0]
# 获取class属性，结果：p1
print(obj.attrs.get('class'))
# 也可以获取class属性，结果：p1
print(obj.get('class'))
# 同样可以获取class属性
print(obj['class'])
5、实战：获取星巴克中产品名
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')
# 用xpath的话，就是：//ul[@class="grid padded-3 product"]//strong/text()
name_list = soup.select('ul[class="grid padded-3 product"] strong')
for name in name_list:
print(name.get_text())