可狱可囚的爬虫系列课程 17：lxml模块的使用

在可狱可囚的爬虫系列课程 07：BeautifulSoup4（bs4）库的使用中讲到了使用 CSS 选择器进行数据的爬取，其实还有另一种方式可以更好更快的抓取数据，那就是使用 XPath（XML 路径语言）。至于 XPath 和 CSS 选择器的区别，请听我娓娓道来：

一、什么是lxml

lxml 是 Python 语言中用于处理 XML 和 HTML 的功能最丰富且易于使用的库。它利用XPath就可以实现对XML和HTML进行数据解析。

二、什么是XML

XML 指可扩展标记语言，XML 是一种很像HTML的标记语言。但是 XML 被设计用来传输和存储数据，HTML 被设计用来显示数据。

因为 XML 和 HTML 很像，所以只讲其中一种，另一种大家便可以很简单的融汇贯通。

XML长这个样子👇👇👇👇，这是我自己编写的一个 XML 用例。

<supermarket>
		<!--  这是一条平平无奇的注释  -->
    <name>沃尔玛</name>
    <address>中国四川成都</address>
    <staffs>
        <name age="20" sex="男">张三</name>
        <name age="30" sex="男">李四</name>
        <name age="23" gender="女">王五</name>
    </staffs>
    <goods>
        <name price="8">啤酒
            <count>12</count>
        </name>
        <name price="3">饮料
            <count>5</count>
        </name>
        <name price="1" count="10">矿泉水</name>
        <name price="5">花生</name>
        <name price="6">瓜子</name>
        <name price="2">火腿肠</name>
    </goods>
</supermarket>

三、什么是XPath

XPath是一门在 XML 文档中查找信息的语言，用 XPath 写出的路径表达式可以在 XML 文档中进行导航。

使用 XPath 编写的路径表达式，和我们常使用的相对路径、绝对路径非常相似。那么XPath的语法是怎样的呢，我们一起来看。

四、XPath语法

首先先来说下XPath需要理解的概念，有树、节点、根节点、元素节点、属性节点、注释节点、文本节点。

• 树：整个html或者xml文档。
• 节点：树结构中的每个部分（标签、文本、属性、注释等）就是一个节点。
• 根节点：树结构中的第一个节点就是根节点（网页对应的根节点是html标签）。
• 元素节点：一个标签就是一个元素节点，例如：<name>沃尔玛</name>。
• 属性节点：标签内的一个属性就是一个属性节点，例如：age="20"。
• 注释节点：树结构中的一个注释就是一个注释节点，例如：<!-- 这是一条平平无奇的注释 -->。
• 文本节点：标签内的文字内容就是一个文本节点，例如：沃尔玛。

记住这些概念，就能很好的去寻找节点提取内容了。

五、解析

我们需要使用 lxml 模块中的 etree 包提供的 XML 方法或者 HTML 方法针对于字符串类型的 XML 或者 HTML 进行解析，返回一个 _Element 对象，针对 _Element 对象，可以使用 xpath 方法根据路径表达式进行导航。

（1）先看一下如何进行 XML 或 HTML 的解析。

from lxml import etree

xmlStr = """
<supermarket>
	  <!--  这是一条平平无奇的注释  -->
    <name>沃尔玛</name>
    <address>中国四川成都</address>
    <staffs>
        <name age="20" sex="男">张三</name>
        <name age="30" sex="男">李四</name>
        <name age="23" gender="女">王五</name>
    </staffs>
    <goods>
        <name price="8">啤酒
            <count>12</count>
        </name>
        <name price="3">饮料
            <count>5</count>
        </name>
        <name price="1" count="10">矿泉水</name>
        <name price="5">花生</name>
        <name price="6">瓜子</name>
        <name price="2">火腿肠</name>
    </goods>
</supermarket>
"""

root = etree.XML(xmlStr)
print(root)
# <Element supermarket at 0x1047401c0>

上述代码通过 etree 中的 XML方法将 XML 文档转化成了一个节点对象，且已经告知我们此处的节点为 supermarket。

（2）继续向下看，我们学习 xpath 语法提取具体内容。

先来看xpath方法的语法：节点对象.xpath(路径表达式)

路径表达式分为绝对路径、相对路径。但是，一般我们都是使用相对路径，所以只需要精通相对路径即可。

• 绝对路径：不管是哪个节点对象在调用xpath方法，都是以/开头，然后从根节点开始一层一层写起，节点和节点之间使用。
• 相对路径：哪个节点对象在调用xpath方法，这个节点就使用.表示，然后从此处一层一层开始写。

注意：节点和节点之间使用/间隔，跨越节点要使用//。

# 问题一：使用相对路径获取staffs节点下的三个name节点
nameList = root.xpath('./staffs/name')
print(nameList)
# [<Element name at 0x105551940>, <Element name at 0x105551980>, <Element name at 0x1055519c0>]
# 结果为上述注释，注意，因为此处的root为supermarket节点，下一级便是staffs节点，此处使用的相对路径，所以.表示的便是supermarket节点

# 问题二：使用绝对路径获取staffs节点下的三个name节点
nameList = root.xpath('/supermarket/staffs/name')
print(nameList)
# [<Element name at 0x105551940>, <Element name at 0x105551980>, <Element name at 0x1055519c0>]

# 问题三：获取所有的name节点
nameList = root.xpath('//name')
print(nameList)
# [<Element name at 0x105551a00>, <Element name at 0x105551940>, <Element name at 0x105551980>, <Element name at 0x1055519c0>, <Element name at 0x105551a40>, <Element name at 0x105551ac0>, <Element name at 0x105551b00>, <Element name at 0x105551b40>, <Element name at 0x105551b80>, <Element name at 0x105551a80>]

在路径的最后添加/text()，可以得到此节点里面的内容；添加/@属性名，可以得到此节点中属性对应的值。

nameList = root.xpath('./staffs/name/text()')
print(nameList)
# ['张三', '李四', '王五']

sexList = root.xpath('./staffs/name/@sex')
print(sexList)
# ['男', '男']

谓语，在路径中需要添加条件的节点后面添加[]，在[]中写条件。

• N\]：表示获取第N个节点，从数字1开始。

获取第二个员工的姓名

print(root.xpath('./staffs/name[2]/text()'))

['李四']

* \[last()\]：表示获取最后一个节点。

```python
# 获取倒数第二个员工的姓名
print(root.xpath('./staffs/name[last()-1]/text()'))
# ['李四']

• position()：获取某些位置的标签

# 获取前两个员工的年龄
print(root.xpath('./staffs/name[position()<=2]/@age'))
print(root.xpath('./staffs/name[position()<3]/@age'))
# ['20', '30']

# 获取后两个员工的年龄
print(root.xpath('./staffs/name[position()>=last()-1]/@age'))
print(root.xpath('./staffs/name[position()>last()-2]/@age'))
# ['30', '23']

• @属性名

# 获取有年龄信息的员工姓名
print(root.xpath('./staffs/name[@age]/text()'))
# ['张三', '李四', '王五']

• @属性名=属性值

# 获取属性sex="男"的员工的姓名
print(root.xpath('./staffs/name[@sex="男"]/text()'))
# ['张三', '李四']

• 子标签名=值\]、\[子标签名\>值\]等

获取有count子标签且标签内容等于12的父标签的内容

print(root.xpath('./goods/name[count=12]/text()'))

['啤酒\n ', '\n ']

分支（**｜** ）：将多个路径选择器使用`|`间隔，同时获取多个元素。

```python
print(root.xpath('./staffs/name/text()|./staffs/name/@age'))
# ['20', '张三', '30', '李四', '23', '王五']

print(root.xpath('./staffs/name/text()|./staffs/name/@sex'))
# ['男', '张三', '男', '李四', '王五']

总结，与CSS选择器一样，XPath路径选择器也需要灵活运用。