最近工作上写了个爬虫,要爬取国家标准网上的一些信息,这自然离不了 Python,而在解析 HTML 方面,xpath
则可当仁不让的成为兵器谱第一。
你可能之前听说或用过其它的解析方式,像 Beautiful Soup
,用的人好像也不少,但 xpath
与之相比,语法更简单,解析速度更快,就像正则表达式一样,刚上手要学习一番,然而用久了,那些规则自然而然的就记住了,熟练之后也很难忘记。
安装 lxml
xpath
只是解析规则,其背后是要有相应的库来实现功能的,就像正则表达式只是规则,而 Python 内置的 re
库,则是提供了解析功能。在 Python 中,lxml
就是 xpath 解析的实现库。
安装 lxml
非常简单,pip install lxml
就搞定了。
下面我们来看一下,在我这次真实的项目中,该如何发挥出它的威力。
加载 HTML 内容,应该用 etree.parse()、etree.fromstring() 还是 etree.HTML() ?
首先,把 lxml 库导进来:from lxml import etree
。
HTML 内容的加载,是通过 etree 的方法载入的,具体有 3 个方法:parse()、fromstring() 和 HTML()。
- parse() 是从文件加载。
- fromstring() 是从字符串加载。
- HTML() 也是从字符串加载,但是以 HTML 兼容的方式加载进来的。
那我们应该选哪个方法呢?别犹豫,选 etree.HTML()
,即使你的 HTML 内容来自文件。这是为何?
首先要说的一点是,HTML 也是 XML 的一种,而 XML 的标准规定,其必须拥有一个根标签,否则,这段 XML 就是非法的。而我们加载进来的 HTML 内容,可能本身就不是完整的,只是个片段,且没有根标签;或是加载进来的 HTML 从头到脚看起来都是完整的,但是中间的节点,有的缺少结束标签,这些情况,其实都是非法的 XML。那么,在用 parse() 或 formstring() 加载这种缺胳膊少腿的 HTML 的时候,就会报错;而用 etree.HTML()
则不会。
这是因为 etree.HTML() 加载方式,有很好的 HTML 兼容性,它会补全缺胳膊少腿的 HTML,把它变成一个完整的、合法的 HTML。
下面是一个从文件加载 HTML 的例子:
from lxml import etree
with open('test.html', 'r') as f:
html = etree.HTML(f.read())
print(html, type(html))
打印出来的结果是:<Element html at 0x7f7efa762040> <class 'lxml.etree._Element'>
,加载进来的 HTML 字符串,已经变成了 Element
对象。
后面我们通过 xpath 找 HTML 节点,全都是在这个 Element
对象上操作的。
找到你需要的 HTML 节点
下面是我想要找的 HTML 节点
在这个 table 表格中,第一个 tbody 是表头,第二个 tbody 是表内容,我们要如何定位到第二个 tbody ?
我们通常是调用上面获得的 Element
对象的 xpath()
方法,通过传入的 xpath 路径查找的。而路径有两种写法:一种是 /
开头,从 html
根标签,沿着子节点一个个找下来;另一种是 //
开头,即不论我们要找的节点在什么位置,找到就算,这种方式是最常用的。
比如,我们现在要找的 tbody
节点,它在 table
节点下,我们就可以这样写:html.xpath('//table/tbody')
。这里的 html
是上面获得的 Element
对象,然后去找 HTML 内容中的、不管在任何位置的所有的 table
,找到后再继续找它们下面的直接子节点 tbody
,于是就匹配出来了。
可是这里有 2 个 tbody
,我需要的是第二个,我们可以在 []
中写条件表达式:html.xpath('//table/tbody[2]')
,注意这里的序号是从 1
开始的。
强大的属性选择器
你可能有个疑问,如果 HTML 内容中不只有一个 table
表格,那我们通过 html.xpath('//table/tbody[2]')
岂不是找到了 2 个 table
里的第二个 tbody
,而我需要的只是其中之一。没错,是存在这样一个问题。此时,我们就可以用属性选择器,来更精确的定位元素。
观察一下上面的 HTML 结构,table
表格的最外层有一个 div
,它还有个 class 属性:table-responsive
,假设这个 div 的 class 属性是整个 HTML 里独一无二的,那么我们就可以很放心的去查找 div.table-responsive
下的 table
,进而精确定位我们想要的元素。
那么,要怎样写 class = "table-responsive"
这个条件呢?看看上面写条件表达式的 []
,那里面除了可以写数字来指定位置以外,也可以写其它各式各样的条件,比如:
html.xpath('//div[@class="table-responsive"]/table/tbody[2]')
,这里我们就把 class = "table-responsive"
这个条件写进去了,从而定位到想要的元素。注意,在 xpath 中,所有的 HTML 属性匹配都是以 @
打头的,比如有这样一个 <a id="show_me" href="#">Click Me</a>
元素,我们想要通过 id 定位它,可以这样写://a[@id="show_me"]
,是不是很简单。
假设很遗憾,我们这里的 table-responsive
不是唯一的,可能还有其它地方的 div 的 class = "table-responsive",这该怎么办?没关系,我们可以找其它具有唯一 class 值的元素,比如:最外层 div 下的 table.result_list
这个元素,这个是唯一的。好了,下面开始写定位代码:html.xpath('//table[@class="result_list"]/tbody[2]')
,但是运行后,发现找不到元素,这是为什么?
其实仔细观察一下就能发现,这个元素的 class 里不只有 result_list
,它还包括其它一长串的内容:class = "table result_list table-striped table-hover"
,所以匹配失败了。那要如何指定 class 包含某个属性呢?其实可以在条件表达式中,用 contains()
函数,无需精确匹配,而是模糊匹配,只要包含指定的字符串就可以了。比如:html.xpath('//table[contains(@class, "result_list")]/tbody[2]')
这样就可以实现了。
需要提一点的是,xpath 定位到的元素,不管是不是全局唯一的,它的返回值都是一个列表,需要通过下标获取其中的元素。
相对定位
我最终的目标,是要遍历表格中所有的内容行,获取其中的标准号和标准名称,于是我初步完成了如下代码:
from lxml import etree
with open('test.html', 'r') as f:
html = etree.HTML(f.read())
rows = html.xpath('//table[contains(@class, "result_list")]/tbody[2]/tr')
for row in rows:
td_list = row.xpath('...')
现在我能够成功地定位到每一行,下面需要再基于每一行,找到我需要的列:
此时,我在 for 循环的内部,已经拿到了每一行 row
,再通过 row.xpath('//td')
继续往下定位 td
就好了。
可是,当你运行这段代码的时候,你会发现不对劲,一行里面总共只有 8 个 td,为什么出来了 80 个【一行 8 个,总共 10 行】?这是把 HTML 中所有的 td 都找出来了吧,可是我明明是用上面获取的 row
对象来查找的呀,不是应该只基于当前行往下找吗?
这就牵扯到了 绝对定位
和 相对定位
。
其实,我们上面讲到的 /
和 //
,都是绝对定位,也就是从 HTML 内容的根节点往下查找。一个 HTML 内容的根节点是什么呢,它是 html
,再往下是 body
,再再往下才是自定义的标签。所以,上面代码的执行结果是那种情况,也就不足为奇了,因为它不是在当前所在的 row
节点查找的,而是从根节点 /html/body/xxx/xxx/td
往下查找的呀。
所以,在这里不能用 绝对定位
了,要用 相对定位
,那要如何用?很简单,用 .
和 ..
即可,这个我们可太熟悉了,.
就代表了当前节点 row
,而 ..
则代表了当前节点的上一层父节点 tbody
。
好了,我们修正上面的代码:
from lxml import etree
with open('test.html', 'r') as f:
html = etree.HTML(f.read())
rows = html.xpath('//table[contains(@class, "result_list")]/tbody[2]/tr')
for row in rows:
td_list = row.xpath('./td')
i = 1
for td in td_list:
if i == 2:
pass
elif i == 4:
pass
i += 1
这样就可以正常地找到每一行里面的 8 个 td
,然后再单独处理第 2 个和第 4 个单元格,获取其中的信息就好了。
通过已知节点获取属性和文本
到目前为止,我们能拿到第 2 个和第 4 个 td
节点了,只要再获取里面的 a
标签的属性和文本就可以了。
我们先获取 onclick
属性,通过 td.xpath('./a')
,可以找到此 td
节点下面的 a
标签,然后调用 a
节点的 get()
方法,即可获得对应的属性值,代码如下:
a1 = td.xpath('./a')[0]
onclick = a1.get('onclick')
注意哦,xpath()
方法的返回值,始终是一个列表,所以我们用下标 [0]
先把它从列表中取出来,然后再获取其属性。 至于属性内的值,我实际想取的是里面的一串 ID 字符串,这个再用正则表达式取一下就可以了。
要获取节点内的文本,也很简单,获得到的节点有一个 text
属性,可以直接得到节点的文本内容:a1.text
。
好用的兄弟节点选择器
上面的代码逻辑有点挫,我们先是获取到一行里的所有 td
,然后循环遍历它,在遍历的过程当中,只取其中的 2 个 td
,着实有些浪费。假设一行里有 1000 个 td
,那这里岂不是要循环 1000 次,就只为了取 2 个?
虽然从实际运行速度上来讲,影响微乎其微,但对于有代码洁癖和强迫症的人来说,是不可接受的,所以,我们要改造它。
重新观察一下 HTML 结构,我发现第 4 个单元格有个明显的特征,它的 class = "mytxt"
:
我们可以很容易地找到它:title_td = tr.xpath('./td[@class="mytxt"]')[0]
,然后再基于刚找到的 title_td
,查找从它往上数第 2 个兄弟节点,这样就省略了一个循环,只要查找两次就完成了。
那么,怎么查找上面的兄弟节点呢?用 preceing-sibling
,比如:title_td.xpath('./preceding-sibling::td[2]')
,这就代表要查找 title_td
上面的、从它这里往上数、排在第 2 位的 td
节点。
除了 preceding-sibling
之外,还有 following-sibling
,顾名思意,是往下查找兄弟节点。
以上我只介绍了这 2 个,其实还有很多类似的选择器,具体可以参考下面的速查手册。
最后,我改造的代码如下:
from lxml import etree
with open('test.html', 'r') as f:
html = etree.HTML(f.read())
rows = html.xpath('//table[contains(@class, "result_list")]/tbody[2]/tr')
for row in rows:
title_td = row.xpath('./td[@class="mytxt"]')[0]
title_link = title_td.xpath('./a')[0]
title_onclick = title_link.get('onclick')
print(title_onclick, title_link.text)
id_td = title_td.xpath('./preceding-sibling::td[2]')[0]
id_link_text = id_td.xpath('./a/text()')[0]
print(id_link_text)
速查手册
xpath 的规则并不复杂,常用的也就那些,用熟了自然就记住了。但像正则表达式一样,它还有许多不常用却很好用的特性,你还是需要偶尔查一下具体的作用和用法。
这里有一个非常好的速查手册,虽然里面的内容看起来不够丰富、很简单,但是可以一目了然,并且它用 css 的语法来作类比,就能够更好地理解每一个 xpath 规则的实际用途。