Python网路爬虫数据采集实战：网页解析库

　　 在了解爬虫基础、请求库和正则匹配库以及一个具体豆瓣影片爬虫实例以后，可能你们还对超长的正则表达式记忆犹新，设想假如想要匹配的条目愈发多那表达式宽度将会愈发惊悚，这或许不是我们想要的，因此本文介绍的解析库可以帮助我们愈发轻松地提取到特定信息。

　　目录

　　一、Xpath库1.库简介

　　XPath（XML Path Language）即XML路径语言，它是一门在XML文档中查找信息的语言，但它同样适用于HTML 文档的搜索。所以在做爬虫时，我们完全可以使用XPath 来做相应的信息抽取。

　　2.入门测试

　　需要导出lxml库（若未安装推荐用pip install lxml安装即可），然后使用下边代码进行简单测试：

　　

from lxml import etreetext = ''' first second third fourth '''html = etree.HTML(text)result = etree.tostring(html)print(result.decode('utf-8'))​

　　结果如下：可以看见，etree模块除了将缺乏的标签闭合了，而且还加上了html、body节点。

　　

first second third fourth

　　3.基本技巧

　　xpath的常用规则及基本方式如下：

　　表达式描述

　　nodename

　　选取此节点的所有子节点。

　　/

　　从根节点选定。

　　//

　　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。

　　上文中的入门测试即为初始化html。其中etree.parse()是初始化html构造一个XPath解析对象；etree.tostring()是修补html文件中代码，把缺的头或尾节点补足；result.deode('utf-8')修复后的HTML代码是字节类型，转化成字符串。

　　

print(html.xpath('//*')) # 获取所有的节点print(html.xpath('//li')) # 获取所有li节点

　　

print(html.xpath('//li/a')) # 所有li下是所有直接a子节点print(html.xpath('//ul//a')) # 所有ul下的子孙a节点

　　

# 找到所有a节点中href为links.html的父节点的class值# .. 来实现查找父节点print(html.xpath('//a[@href="link1.html"]/../@class'))​

　　

# 找到class值为item-0是节点print(html.xpath('//li[@class="item-0"]'))

　　

# 匹配到class值为item-0节点中的a标签中的文本print(html.xpath('//li[@class="item-0"]/a/text()'))

　　

print(html.xpath('//li/a/@href')) # 找到li下a中的href属性值

　　

#只要节点属性class中包含item就能匹配出来print(html.xpath('//li[contains(@class,"item")]/a/text()'))

　　二、BeautifulSoup库1.库简介

　　BeautifulSoup4和 lxml 一样，Beautiful Soup 也是一个HTML/XML的解析器，主要的功能也是怎么解析和提取HTML/XML 数据。BeautifulSoup支持Python标准库中的HTML解析器,还支持一些第三方的解析器，如果我们不安装它，则 Python 会使用 Python默认的解析器，lxml解析器愈发强悍，速度更快，推荐使用lxml 解析器。

　　

　　2.入门测试

　　假设有这样一个Html（即从百度网页源代码截取一段），具体内容如下：

　　

html = ''' 百度一下，你就知道 新闻 hao123 地图 视频 贴吧 更多产品 '''

　　如果将字符串单独保存为html文件，则使用谷歌浏览器打开后即为：

　　

　　通过导出bs4库中的BeautifulSoup子类可以输入以下命令观察输出：

　　

from bs4 import BeautifulSoup bs = BeautifulSoup(html,"html.parser") # 缩进格式print(bs.prettify()) # 获取title标签的所有内容print(bs.title) # 获取title标签的名称print(bs.title.name) # 获取title标签的文本内容print(bs.title.string) # 获取head标签的所有内容print(bs.head) # 获取第一个div标签中的所有内容print(bs.div) # 获取第一个div标签的id的值print(bs.div["id"]) # 获取第一个a标签中的所有内容print(bs.a) # 获取所有的a标签中的所有内容print(bs.find_all("a")) # 获取id="u1"print(bs.find(id="u1")) # 获取所有的a标签，并遍历打印a标签中的href的值for item in bs.find_all("a"): print(item.get("href")) # 获取所有的a标签，并遍历打印a标签的文本值for item in bs.find_all("a"): print(item.get_text())

　　3.基本技巧

　　BeautifulSoup4将复杂HTML文档转换成一个复杂的树状结构,每个节点都是Python对象,所有对象可以归纳为4种：

　　

# [document] #bs 对象本身比较特殊，它的 name 即为 [document]print(bs.name) # head #对于其他内部标签，输出的值便为标签本身的名称print(bs.head.name) # 在这里，我们把 a 标签的所有属性打印输出了出来，得到的类型是一个字典。print(bs.a.attrs) #还可以利用get方法，传入属性的名称，二者是等价的print(bs.a['class']) # 等价 bs.a.get('class')# 可以对这些属性和内容等等进行修改bs.a['class'] = "newClass"print(bs.a) # 还可以对这个属性进行删除del bs.a['class'] print(bs.a)

　　

print(bs.title.string) print(type(bs.title.string))

　　

print(type(bs.name)) print(bs.name) print(bs.attrs)

　　

print(bs.a)# 此时不能出现空格和换行符，a标签如下：# print(bs.a.string) # 新闻print(type(bs.a.string)) # 连接也可以，但是加>只能查找子元素，空格子孙元素

　　3.基本技巧

　　

# 字符串初始化：from pyquery import PyQuery as pqdoc=pq(html)print(doc('li'))# URL初始化doc=pq(url="https://ww.baidu.com")print(doc)​a = open('test.html','r',encoding='utf8')doc=pq(a.read())print(doc)

　　

# id 为container,class为list下的所有liprint(doc('.head_wrapper #u1 a'))

　　

# .find():查找所有子孙节点items = doc('#u1')print(items.find('a'))​# .children():查找子节点items=doc('#u1')print(items.children('.mnav'))​# 父节点doc=pq(html)items=doc('.mnav')print(items.parent())print(items.parents())# 兄弟节点doc=pq(html)li=doc('.mnav')print(li.siblings('.bri'))

　　

# 用items()函数生成列表*敏*感*词*进行遍历doc=pq(html)lis=doc('a').items()for li in lis: print(li)

　　

# 获取属性a=doc('.head_wrapper #u1 .bri')# attr只会输出第一个a节点属性，要用items()遍历print(a.attr('href'))# 获取文本# .text()a=doc('.head_wrapper #u1 .bri')# text()函数会输出所有的li文本内容print(a.text())# .html()li=doc('a')# html()只会输出第一个li节点内的HTML文本print(li.html())

　　

# removeClass addClassa=doc('.head_wrapper #u1 .bri')print(a)a.removeClass('bri') # 移除active的classprint(a)a.addClass('bri') # 增加active的classprint(a)​# attr text htmla.attr('name','link') # 增加属性name=linka.text('changed item') # 改变文本 changed itema.html('changed item ') # 改变HTMLprint(a)​ # remove()u1=doc('#u1')# 删除wrap中p节点u1.find('a').remove()print(u1.text())

　　Python有关Xpath、BeautifulSoup、pyquery三大解析库的基本使用方式介绍至此结束，下文开始介绍动态网页数据采集的相关库与实战，前文涉及的基础知识可参考下边链接：

　　Python网路爬虫数据采集实战：基础知识

　　Python网路爬虫数据采集实战：Requests和Re库

　　Python网路爬虫数据采集实战：豆瓣影片top250爬取