有同學說，我正則用的不好茉稠，處理HTML文檔很累描馅，有沒有其他的方法？
有而线！那就是XPath,我們可以用先將HTML文檔轉(zhuǎn)換成XML文檔铭污，然后用XPath查找HTML節(jié)點或元素。
什么是XML
- XML指可擴展標記語言(Extensible Markup Language)
- XML是一種標記語言膀篮，很類似HTML
- XML的設(shè)計宗旨是傳輸數(shù)據(jù)嘹狞，而非顯示數(shù)據(jù)。
- XML的標簽需要我們自行定義誓竿。
- XML被設(shè)計為具有自我描述性磅网。
- XML是W3C的推薦標準。
W3School官方文檔：http://www.w3school.com.cn/xml/index.asp
XML和HTML的區(qū)別
| 數(shù)據(jù)格式 | 描述 | 設(shè)計目標 |
|---|---|---|
| XML | Extensible Markup Language （可擴展標記語言） | 被設(shè)計為傳輸和存儲數(shù)據(jù)烤黍，其焦點是數(shù)據(jù)的內(nèi)容知市。 |
| HTML | HyperText Markup Language（超文本標記語言） | 顯示數(shù)據(jù)以及如何更好顯示數(shù)據(jù)傻盟。 |
| HTML DOM | Document Object Model for HTML (文檔對象模型) | 通過 HTML DOM，可以訪問所有的 HTML 元素嫂丙，連同它們所包含的文本和屬性娘赴。可以對其中的內(nèi)容進行修改和刪除跟啤，同時也可以創(chuàng)建新的元素诽表。 |
XML文檔實例
<?xml version="1.0" encoding="utf-8"?>
<bookstore>
<book category="cooking">
<title lang="en">Everyday Italian</title>
<author>Giada De Laurentiis</author>
<year>2005</year>
<price>30.00</price>
</book>
<book category="children">
<title lang="en">Harry Potter</title>
<author>J K. Rowling</author>
<year>2005</year>
<price>29.99</price>
</book>
<book category="web">
<title lang="en">XQuery Kick Start</title>
<author>James McGovern</author>
<author>Per Bothner</author>
<author>Kurt Cagle</author>
<author>James Linn</author>
<author>Vaidyanathan Nagarajan</author>
<year>2003</year>
<price>49.99</price>
</book>
<book category="web" cover="paperback">
<title lang="en">Learning XML</title>
<author>Erik T. Ray</author>
<year>2003</year>
<price>39.95</price>
</book>
</bookstore>
HTML DOM模型示例
HTML DOM定義了訪問和操作HTML文檔的標準方法，以樹結(jié)構(gòu)方式表達了HTML文檔隅肥。
HTML DOM
XML的節(jié)點關(guān)系
1.父(Parent)
每個元素以及屬性都有一個父竿奏。
下面是一個簡單的XML例子中，book元素時title腥放、author泛啸、year以及price
<?xml version="1.0" encoding="utf-8"?>
<book>
<title>Harry Potter</title>
<author>J K. Rowling</author>
<year>2005</year>
<price>29.99</price>
</book>
2.子(Children)
元素節(jié)點可能有零個、一個或多個子秃症。
在下面的例子中候址，title、author种柑、year以及price元素都是book元素的子:
<?xml version="1.0" encoding="utf-8"?>
<book>
<title>Harry Potter</title>
<author>J K. Rowling</author>
<year>2005</year>
<price>29.99</price>
</book>
3.同胞(Sibling)
擁有相同的父的節(jié)點
在下面的例子中岗仑，title、author聚请、year以及price元素都是同胞：
<?xml version="1.0" encoding="utf-8"?>
<book>
<title>Harry Potter</title>
<author>J K. Rowling</author>
<year>2005</year>
<price>29.99</price>
</book>
4.先輩(Ancestor)
某節(jié)點的父荠雕、父的父，等等驶赏。
在下面的例子中炸卑，title元素的先輩是book元素和bookstore元素：
<?xml version="1.0" encoding="utf-8"?>
<bookstore>
<book>
<title>Harry Potter</title>
<author>J K. Rowling</author>
<year>2005</year>
<price>29.99</price>
</book>
</bookstore>
5.后代
某個節(jié)點的子，子的子母市，等等矾兜。
在下面的例子中，bookstore的后代是book患久、title椅寺、author、year以及price元素：
<?xml version="1.0" encoding="utf-8"?>
<bookstore>
<book>
<title>Harry Potter</title>
<author>J K. Rowling</author>
<year>2005</year>
<price>29.99</price>
</book>
</bookstore>
什么是XPath?
XPath（XML Path Language）是一門在XML文檔中查找信息的語言蒋失，可用來在XML中對元素和屬性進行遍歷返帕。
W3School官方文檔：http://www.w3school.com.cn/xpath/index.asp
XPath 開發(fā)工具
- 開源的XPath表達式編輯工具：XML Quire(XML格式文件可用)
- Chrome插件Xpath Helper
- Firefox插件Xpath Checker
選取節(jié)點
XPath使用路徑表達式來選取XML文檔中的節(jié)點或者節(jié)點集。這些路徑表達式和我們常規(guī)的電腦文件系統(tǒng)中看到的表達式非常相似篙挽。
下面列出了最常用的路徑表達式：
| 表達式 | 描述 |
|---|---|
| nodename | 選取此節(jié)點的所有子節(jié)點 |
| / | 從根節(jié)點選取 |
| // | 從匹配選擇的當前節(jié)點選擇文檔中的節(jié)點荆萤，而不考慮它們的位置。 |
| . | 選取當前節(jié)點。 |
| .. | 選取當前節(jié)點的父節(jié)點 |
| @ | 選取屬性 |
在下面的表格中链韭，我們已列出了一些路徑表達式以及表達式的結(jié)果：
| 路徑表達式 | 描述 |
|---|---|
| bookstore | 選取bookstore元素的所有子節(jié)點偏竟。 |
| /bookstore | 選取根元素 bookstore。注釋：假如路徑起始于正斜杠( / )敞峭，則此路徑始終代表到某元素的絕對路徑踊谋！ |
| bookstore/book | 選取屬于bookstore的子元素的所有book元素 |
| //book | 選取所有book子元素，而不管它們在文檔中的位置 |
| bookstore//book | 選擇屬于bookstore元素的后代的所有bok元素旋讹，而不管它們位于bookstore之下的什么位置 |
| //@lang | 選取名為lang的所有屬性殖蚕。 |
謂語(Predicates)
謂語用來查找某個特定的節(jié)點或者包含某個特定的值的節(jié)點，被嵌在方括號中沉迹。
在下面的表格中睦疫，我們列出了帶有謂語的一些路徑表達式，以及表達式的結(jié)果：
| 路徑表達式 | 結(jié)果 |
|---|---|
| /bookstore/book[1] | 選取屬于bookstore子元素的第一個book元素鞭呕。 |
| /bookstore/book[last()] | 選取數(shù)據(jù)bookstore子元素的最后一個book元素 |
| /bookstore/book[last()-1] | 選取屬于bookstore元素的倒數(shù)第二個book元素 |
| /bookstore/book[position()<3] | 選取最前面的兩個屬于bookstore元素的子元素book元素 |
| //title[@lang] | 選取所有擁有名為lang的屬性的title元素 |
| //title[@lang="eng"] | 選取所有title元素蛤育，且這些元素擁有值為eng的lang屬性 |
| /bookstore/book[price>35.00] | 選取所有bookstore元素的book元素，且其中的price元素的值必須大于35.00 |
| /bookstore/book[price>35.00]/title | 選取bookstore元素中的book元素的所有title元素琅拌，且其中的price元素的值必須大于35.00 |
選取未知節(jié)點
XPath通配符可用來選取未知的XML元素缨伊。
| 通配符 | 描述 |
|---|---|
| * | 匹配任何元素節(jié)點 |
| @* | 匹配任何屬性節(jié)點 |
| node() | 匹配任何類型的節(jié)點 |
在下面的表格中，我們列出了一些路徑表達式进宝，以及這些表達式的結(jié)果：
| 路徑表達式 | 結(jié)果 |
|---|---|
| /bookstore/* | 選取bookstore元素的所有子元素 |
| //* | 選取文檔中的所有元素 |
| title[@*] | 選取所有帶屬性的title元素 |
選取若干路徑
通過在路徑表達式中使用"|"運算符，您可以選取若干個路勁枷恕。
實例
在下面的表格中党晋，我們列出了一些路徑表達式，以及這些表達式的結(jié)果：
| 路徑表達式 | 結(jié)果 |
|---|---|
| '//book/title | //book/price' | 選取book元素的所有title和price元素徐块。 |
| //title | //price | 選取文檔中的所有title和price元素 |
| /bookstore/book/title | //price | 選取屬于bookstore元素的book元素的title元素未玻，以及文檔中的所有price元素 |
XPath的運算符
xpath運算符
以上就是XPath的語法內(nèi)容，在運用到Python抓取時要先轉(zhuǎn)換為xml.
lxml庫
lxml是一個HTML/XML的解析器胡控，主要的功能是如何提取和解析HTML/XML數(shù)據(jù)扳剿。
lxml和正則一樣，也是用C實現(xiàn)昼激，是一款高性能的Python HTML/XML解析器庇绽，我們可以利用之前學習的XPath語法，來快速的定位特定元素以及節(jié)點信息橙困。
lxml python官方文檔：http://lxml.de/index.html
需要安裝C語言庫瞧掺，可使用pip安裝：pip install lxml（或通過wheel方式安裝）
初步使用
我們利用它來解析HTML代碼，簡單實例：
#-*- coding:utf-8 -*-
#lxml_test.py
#使用lxml的etree庫
from lxml import etree
text = '''
<div>
<ul>
<li class="item-0"><a href="link1.html">first item</a></li>
<li class="item-1"><a href="link2.html">second item</a></li>
<li class="item-inactive"><a href="link3.html">third item</a></li>
<li class="item-1"><a href="link4.html">fourth item</a></li>
<li class="item-0"><a href="link5.html">fifth item</a> # 注意凡傅，此處缺少一個 </li> 閉合標簽
</ul>
</div>
'''
#利用etree.HTML,將字符串解析為HTML文檔
html = etree.HTML(text)
#按字符串序列化為HTML文檔
result = etree.tostring(html)
print(result)
輸出結(jié)果：
<html><body>
<div>
<ul>
<li class="item-0"><a href="link1.html">first item</a></li>
<li class="item-1"><a href="link2.html">second item</a></li>
<li class="item-inactive"><a href="link3.html">third item</a></li>
<li class="item-1"><a href="link4.html">fourth item</a></li>
<li class="item-0"><a href="link5.html">fifth item</a></li>
</ul>
</div>
</body></html>
lxml可以自動修正html代碼辟狈，例子里不僅補全里li標簽，還添加了body/html標簽
文件讀取：
除了直接讀取字符串哼转，lxml還支持從文件里讀取內(nèi)容明未。我們新建一個hello.html文檔：
<!--hello.html-->
<div>
<ul>
<li class="item-0"><a href="link1.html">first item</a></li>
<li class="item-1"><a href="link2.html">second item</a></li>
<li class="item-inactive"><a href="link3.html"><span class="bold">third item</span></a></li>
<li class="item-1"><a href="link4.html">fourth item</a></li>
<li class="item-0"><a href="link5.html">fifth item</a></li>
</ul>
</div>
再利用etree.parse()方法來讀取文件。
#lxml_parse.py
from lxml import etree
#讀取外部文件hello.html
html = etree.parse('./hello.html')
result = etree.tostring(html, pretty_print=True)
print(result)
輸出結(jié)果與之前相同：
<html><body>
<div>
<ul>
<li class="item-0"><a href="link1.html">first item</a></li>
<li class="item-1"><a href="link2.html">second item</a></li>
<li class="item-inactive"><a href="link3.html">third item</a></li>
<li class="item-1"><a href="link4.html">fourth item</a></li>
<li class="item-0"><a href="link5.html">fifth item</a></li>
</ul>
</div>
</body></html>
XPath實例測試
1.獲取所有的<li>標簽
#xpath_li.py
from lxml import etree
html = etree.parse('hello.html')
print type(html) #顯示etree.parse()返回類型
result = html.xpath('//li')
print result #打印<li>標簽的的元素集合
print len(result)
print type(result)
print type(result[0])
輸出結(jié)果：
<type 'lxml.etree._ElementTree'>
[<Element li at 0x1014e0e18>, <Element li at 0x1014e0ef0>, <Element li at 0x1014e0f38>, <Element li at 0x1014e0f80>, <Element li at 0x1014e0fc8>]
5
<type 'list'>
<type 'lxml.etree._Element'>
2.繼續(xù)獲取<li>標簽的所有class屬性
#xpath_li.py
from lxml import etree
html = etree.parse('htllo.html')
result = html.xpath('//li/@class')
print result
運行結(jié)果：
['item-0', 'item-1', 'item-inactive', 'item-1', 'item-0']
3.繼續(xù)獲取<li>標簽下href為link1.html的<a>標簽
#xpath_li.py
from lxml import etree
html = etree.parse('hello.html')
result = html.xpath('//li/a[@href="link1.html"]')
print result
運行結(jié)果：
[<Element a at 0x10ffaae18>]
4.獲取<li>標簽下的所有<span>標簽
#xpath_li.py
from lxml import etree
html = etree.parse('hello.html')
#result = html.xpath('//li/span')
#注意這么寫是不對的
#因為/是用來獲取子元素的壹蔓，而<span>不是<li>的子元素趟妥，所以，要用雙斜杠
result = html.xpath('//li//span')
print result
運行結(jié)果：
[<Element span at 0x10d698e18>]
5.獲取<li>標簽下的<a>標簽里的所有class
from lxml import etree
html = etree.parse('hello.html')
result = html.xpath('//li/a//@class')
print result
運行結(jié)果
['blod']
6.獲取最后一個<li>的<a>的href
#xpath_li.py
from lxml import etree
html = etree.parse('hello.html')
result = html.xpath('//li[last()]/a/@href')
#謂語[last()]可以找到最后一個元素
print result
運行結(jié)果
['link5.html']
7.獲取倒數(shù)第二個元素的內(nèi)容
#xpath_li.py
from lxml import etree
html = etree.parse('hello.html')
result = html.xpath('//li[last()-1]/a')
#text方法可以獲取元素內(nèi)容
print(result[0].text)
運行結(jié)果
fourth item
8.獲取class值為bold的標簽名
#xpath_li.py
from lxml import etree
html = etree.parse('hello.html')
result = html.xpath('//*[@class="bold"]')
#tag方法可以獲取標簽名
print result[0].tag
運行結(jié)果
span
