Python-lxml 与 XPath 实战

网页解析 lxml 库

上一篇我们玩转了Python的解析库BS4，今天我们再来学习另一个强大的Python解析库lxml，它们的使用方式有明显的区别，各有优势，今天就一起来学习一下lxml库。

lxml 基本使用库

lxml 是 Python 的第三方解析库，完全使用 Python 语言编写，它对 XPath表达式提供了良好的支持，因此能够了高效地解析 HTML/XML 文档。本节讲解如何通过 lxml 库解析 HTML 文档。

lxml库使用流程

lxml 属于Python第三方库，因此在使用前需要使用如下方法安装：

bash 复制代码

pip install lxml

lxml 库提供了一个 etree 模块，该模块专门用来解析 HTML/XML 文档，下面来介绍一下 lxml 库的使用流程，主要有 3 个步骤：

1、导入模块

bash 复制代码

from lxml import etree

2、创建解析对象

调用 etree 模块的 HTML() 方法来创建 HTML 解析对象。如下所示：

bash 复制代码

parse_html = etree.HTML(html)

HTML() 方法能够将 HTML 标签字符串解析为 HTML 文件，该方法可以自动修正 HTML 文本。示比如下：

python 复制代码

from lxml import etree
html_str = '''
<div>
    <ul>
        <li class="item1"><a href="link1.html">Python</a></li>
        <li class="item2"><a href="link2.html">Java</a></li>
        <li class="site1"><a href="www.youbafu.com">跟渣男教父学编程</a>
        <li class="site2"><a href="www.baidu.com">百度</a></li>
        <li class="site3"><a href="www.jd.com">京东</a></li>
    </ul>
</div>'''
html = etree.HTML(html_str)
result = etree.tostring(html)  # tostring()将标签元素转换为字符串输出，注意：result为字节类型
print(result.decode('utf-8'))

输出结果如下：

html 复制代码

<html><body><div>
    <ul>
        <li class="item1"><a href="link1.html">Python</a></li>
        <li class="item2"><a href="link2.html">Java</a></li>
        <li class="site1"><a href="www.youbafu.com">&#36319;&#26377;&#38712;&#22827;&#23398;&#32534;&#31243;</a></li>
        <li class="site2"><a href="www.baidu.com">&#30334;&#24230;</a></li>
        <li class="site3"><a href="www.jd.com">&#20140;&#19996;</a></li>
    </ul>
</div></body></html>

上述 HTML 字符串存在缺少标签的情况，比如缺少一个闭合标签，当使用了 HTML() 方法后，会将其自动转换为符合规范的 HTML 文档格式。

3、调用xpath表达式

最后使用第二步创建的解析对象调用 xpath() 方法，完成数据的提取，如下所示：

bash 复制代码

r_list = parse_html.xpath('xpath表达式')

lxml库提取数据

下面通过一段 HTML 代码实例演示如何使用 lxml 库提取想要的数据。HTML 代码如下所示：

html 复制代码

<div class="wrapper">
    <a href="www.youbafu.com/" id="site">网站类别</a>
    <ul id="sitename">
        <li><a href="http://www.youbafu.com/" title="渣男教父">编程</a></li>
        <li><a href="http://world.sina.com/" title="新浪娱乐">微博</a></li>
        <li><a href="http://www.baidu.com" title="百度">百度贴吧</a></li>
        <li><a href="http://www.taobao.com" title="淘宝">天猫淘宝</a></li>
        <li><a href="http://www.jd.com/" title="京东">京东购物</a></li>
        <li><a href="http://www.360.com" title="360科技">安全卫士</a></li>
        <li><a href="http://www.bytesjump.com/" title="字节">视频娱乐</a></li>
        <li><a href="http://bzhan.com/" title="b站">年轻娱乐</a></li>
        <li><a href="http://hao123.com/" title="浏览器">搜索引擎</a></li>
    </ul>
</div>

提取所有a标签的文本

python 复制代码

from lxml import etree
# 创建解析对象
parse_html = etree.HTML(html)
# 书写xpath表达式,提取文本最终使用text()
xpath_bds = '//a/text()'
# 提取文本数据，以列表形式输出
r_list = parse_html.xpath(xpath_bds)
# 打印数据列表
print(r_list)

输出结果：

bash 复制代码

['网站类别', '编程', '微博', '百度贴吧', '天猫淘宝', '京东购物', '安全卫士', '视频娱乐', '年轻娱乐', '搜索引擎']

获取所有href的属性值

这里接上面的代码，不同的地方就是xpath的表达式不一样。上代码：

bash 复制代码

xpath_bds = '//a/@href'  # 书写xpath表达式,提取属性值使用@
r_list = parse_html.xpath(xpath_bds)  # 提取属性值数据，以列表形式输出
print(r_list)  # 打印数据列表

输出结果：

bash 复制代码

['www.youbafu.com/', 'http://www.youbafu.com/', 'http://world.sina.com/', 'http://www.baidu.com', 'http://www.taobao.com', 'http://www.jd.com/', 'http://www.360.com', 'http://www.bytesjump.com/', 'http://bzhan.com/', 'http://hao123.com/']

匹配指定内容

bash 复制代码

# 书写xpath表达式,提取指定属性的href
xpath_bds = '//ul[@id="sitename"]/li/a[@title="渣男教父"]/@href'
r_list = parse_html.xpath(xpath_bds)  # 提取属性值数据，以列表形式输出
print(r_list)  # 打印数据列表

输出结果：

bash 复制代码

['http://www.youbafu.com/']

XPath入门

在编写爬虫程序的过程中提取信息是超级重要的环节，但是有时使用正则表达式无法匹配到想要的信息，或者书写起来非常麻烦，此时就需要用另外一种数据解析方法，也就是本节要学习的 XPath表达式。

XPath（全称：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，最初被用来搜寻 XML 文档，同时它也适用于搜索 HTML 文档。因此，在爬虫过程中可以使用 XPath来提取相应的数据。

提示：XML 是一种遵守 W3C 标准的标记语言，类似于 HTML，但两者的设计目的是不同，XML 通常被用来传输和存储数据，而 HTML 常用来显示数据。

您可以将 XPath理解为在XML/HTML 文档中检索、匹配元素节点的工具。

XPath使用路径表达式来选取XML/HTML 文档中的节点或者节点集。XPath的功能十分强大，它除了提供了简洁的路径表达式外，还提供了100 多个内建函数，包括了处理字符串、数值、日期以及时间的函数。因此 XPath路径表达式几乎可以匹配所有的元素节点。

Python 第三方解析库 lxml 对 XPath路径表达式提供了良好的支持，能够解析 XML 与 HTML 文档。

XPath节点

XPath提供了多种类型的节点，常用的节点有：元素、属性、文本、注释以及文档节点。如下所示：

html 复制代码

<?xml version="1.0" encoding="utf-8"?>
<website>
    <site>
        <title lang="zh-CN">website name</title>
        <name>跟渣男教父学编程</name>
        <year>2022</year>
        <address>www.youbafu.com</address>
    </site>
</website>

上面的 XML 文档中的节点例子：

<website></website> （文档节点）
<name></name> （元素节点）
lang="zh-CN" （属性节点）

节点关系

XML 文档的节点关系和 HTML 文档相似，同样有父、子、同代、先辈、后代节点。如下所示：

html 复制代码

<?xml version="1.0" encoding="utf-8"?>
<website>
    <site>
        <title lang="zh-CN">website name</title>
        <name>跟渣男教父学编程</name>
        <year>2022</year>
        <address>www.youbafu.com</address>
    </site>
</website>

上述示例分析后，会得到如下结果：

title、name、year、address 都是 site 的子节点
site 是 title、name、year、address 的父节点
title、name、year、address 属于同代节点
title 元素的先辈节点是 site、website
website 的后代节点是 site、title、name、year、address

XPath基本语法

1) 基本语法使用

XPath使用路径表达式在文档中选取节点，下表列出了常用的表达式规则：

表达式	描述
node_name	选取此节点的所有子节点。
/	绝对路径匹配，从根节点选取。
//	相对路径匹配，从所有节点中查找当前选择的节点，包括子节点和后代节点，其第一个 / 表示根节点。
.	选取当前节点。
..	选取当前节点的父节点。
@	选取属性值，通过属性值选取数据。常用元素属性有 @id、@name、@type、@class、@title、@href。

下面以下述代码为例讲解 XPath表达式的基本应用，代码如下所示：

html 复制代码

<ul class="BookList">
    <li class="book1" id="book_01" href="http://www.youbafu.com/c">
        <p class="name">c语言小白入门到小怪兽</p>
        <p class="model">纸质书</p>
        <p class="price">80元</p>
        <p class="color">红蓝色封装</p>
    </li>
    <li class="book2" id="book_02" href="http://www.youbafu.com/python">
        <p class="name">Python入门到精通</p>
        <p class="model">电子书</p>
        <p class="price">45元</p>
        <p class="color">蓝绿色封装</p>
    </li>
</ul>

路径表达式以及相应的匹配内容如下：

bash 复制代码

xpath表达式：//li
匹配内容：
c语言小白入门到小怪兽
纸质书
80元
红蓝色封装
Python入门到精通
电子书
45元
蓝绿色封装

bash 复制代码

xpath表达式：//li/p[@class="name"]
匹配内容：
c语言小白入门到小怪兽
Python入门到精通

bash 复制代码

xpath表达式：//li/p[@class="model"]
匹配内容：
纸质书
电子书

bash 复制代码

xpath表达式：//ul/li/@href
匹配内容：
http://www.youbafu.com/c
http://www.youbafu.com/python

bash 复制代码

xpath表达式：//ul/li
匹配内容：
c语言小白入门到小怪兽
纸质书
80元
红蓝色封装
Python入门到精通
电子书
45元
蓝绿色封装

bash 复制代码

xpath表达式：//ul/li[@class="book2"]/p[@class="price"]
匹配结果：45元

注意：当需要查找某个特定的节点或者选取节点中包含的指定值时需要使用\[\] 方括号。

2) XPath通配符

XPath表达式的通配符可以用来选取未知的节点元素，基本语法如下：

通配符	描述说明
*	匹配任意元素节点
@*	匹配任意属性节点
node()	匹配任意类型的节点

示比如下：

bash 复制代码

xpath表达式：//li/*
匹配内容：
c语言小白入门到小怪兽
纸质书
80元
红蓝色封装
Python入门到精通
电子书
45元
蓝绿色封装

3) 多路径匹配

多个 XPath路径表达式可以同时使用，其语法如下：

bash 复制代码

xpath表达式1 | xpath表达式2 | xpath表达式3

示例应用：

bash 复制代码

表达式：//ul/li[@class="book2"]/p[@class="price"]|//ul/li/@href
匹配内容：
45元
http://www.youbafu.com/python
http://www.youbafu.com/c

XPath内建函数

XPath提供 100 多个内建函数，这些函数给我们提供了很多便利，比如实现文本匹配、模糊匹配、以及位置匹配等，下面介绍几个常用的内建函数。

函数名称	xpath表达式示例	示例说明
text()	./text()	文本匹配，表示只取当前节点中的文本内容。
contains()	//div $contains(@id,'stu')$	模糊匹配，表示选择 id 中包含"stu"的所有 div 节点。
last()	//* $@class='web'$ $last()$	位置匹配，表示选择@class='web'的最后一个节点。
position()	//* $@class='site'$ $position() \<=2$	位置匹配，表示选择@class='site'的前两个节点。
start-with()	//input $start-with(@id,'st')$	匹配 id 以 st 开头的元素。
ends-with()	//input $ends-with(@id,'st')$	匹配 id 以 st 结尾的元素。
concat(str1,str2)	concat('渣男教父',.//*/ $@class='stie'$ /@href)	C语言中文网与标签类别属性为"stie"的 href 地址做拼接。

lxml库实战

接下来我们一起来编写一个简单的爬虫程序，进一步熟悉 lxml 解析库的使用。

前面我们使用正则和BS4爬取了豆瓣电影top250，今天我们来使用lxml解析库爬取豆瓣电影top250，与前面使用的正则解析和BS4解析方式对比，来看一看你到底喜欢哪种方式。

确定信息元素结构

首先明确要抓取信息的网页元素结构，比如电影名称、主演演员、上映时间。通过简单分析可以得知，每一部影片的信息都包含在<li> 标签中，而每一<li> 标签又包含在<ol> 标签中，因此对于li 标签而言，ol 标签是一个更大的节点，也就是它的父辈节点，如下图所示：

当一个<li> 标签内的影片信息提取完成时，您需要使用同样的 XPath表达式提取下一影片信息，直到所有影片信息提取完成，这种方法显然很繁琐，那么有没有更好的方法呢？

当然有的，来看基准表达式。

基准表达式

因为每一个节点对象都使用相同 XPath表达式去匹配信息，所以很容易想到 for 循环。我们将 25 个<li> 节点放入一个列表中，然后使用 for 循环的方式去遍历每一个节点对象，这样就大大提高了编码的效率。

通过<li> 节点的父节点<ol> 可以同时匹配 25 个<li> 节点，并将这些节点对象放入列表中。我们把匹配 25个<li> 节点的 XPath表达式称为"基准表达式"。如下所示：

bash 复制代码

xpath_bds = '//ol[@class="grid_view"]/li'

下面通过基准表达式匹配节点对象，代码如下：

bash 复制代码

# 匹配25个li节点对象
xpath_bds = '//ol[@class="grid_view"]/li'
movie_list = parse_html.xpath(xpath_bds)
print(movie_list)

输出结果：

bash 复制代码

[<Element li at 0x364621d0>, <Element li at 0x36462180>, <Element li at 0x36462b80>, <Element li at 0x36462270>, <Element li at 0x36462770>, <Element li at 0x36462bd0>, <Element li at 0x36462c20>, <Element li at 0x36462c70>, <Element li at 0x36462cc0>, <Element li at 0x36462d10>, <Element li at 0x36462d60>, <Element li at 0x36462db0>, <Element li at 0x36462e00>, <Element li at 0x36462e50>, <Element li at 0x36462ea0>, <Element li at 0x36462ef0>, <Element li at 0x36462f40>, <Element li at 0x36462f90>, <Element li at 0x3647a040>, <Element li at 0x3647a090>, <Element li at 0x3647a0e0>, <Element li at 0x3647a130>, <Element li at 0x3647a180>, <Element li at 0x3647a1d0>, <Element li at 0x3647a220>]

这样虽然很方便的获取每部影片的全部信息，但是我们所要提取的目标细信息都在 <div class="info"> 中。

我们可以将基准表达式编写的更加详细一点，可以如下：

bash 复制代码

xpath_bds = '//ol[@class="grid_view"]/li/div/div[@class="info"]'
movie_list = parse_html.xpath(xpath_bds)
# 这样同样可以得到25部影片的信息，而且过滤了一些干扰信息。

提取数据表达式

因为我们想要抓取的信息都包含在<li> 节点中，接下来开始分析 <div class="info"> 节点包含的 HTML 代码，下面随意选取的一段 <div class="info"> 节点包含的影片信息，如下所示：

html 复制代码

<div class="info">
    <div class="hd">
        <a href="https://movie.douban.com/subject/1292052/" class="">
            <span class="title">肖申克的救赎</span>
            <span class="title">&nbsp;/&nbsp;The Shawshank Redemption</span>
            <span class="other">&nbsp;/&nbsp;月黑高飞(港) / 刺激1995(台)</span>
        </a>
        <span class="playable">[可播放]</span>
    </div>
    <div class="bd">
        <p class="">
            导演: 弗兰克·德拉邦特 Frank Darabont&nbsp;&nbsp;&nbsp;主演: 蒂姆·罗宾斯 Tim Robbins /...<br>
            1994&nbsp;/&nbsp;美国&nbsp;/&nbsp;犯罪剧情
        </p>
        <div class="star">
            <span class="rating5-t"></span>
            <span class="rating_num" property="v:average">9.7</span>
            <span property="v:best" content="10.0"></span>
            <span>2564578人评价</span>
        </div>
        <p class="quote">
            <span class="inq">希望让人自由。</span>
        </p>
    </div>
</div>

分析上述代码段，写出待抓取信息的 XPath表达式，如下所示：

python 复制代码

movie_list = parse_html.xpath(xpath_bds)
movies = []
# 这里 movie 表示每一个 <div class='info'>里面的元素信息
for movie in movie_list:
    title = movie.xpath('div[@class="hd"]/a/span[@class="title"]/text()')
    other = movie.xpath('div[@class="hd"]/a/span[@class="other"]/text()')
    url = movie.xpath('div[@class="hd"]/a/@href')
    m_info = movie.xpath('div[@class="bd"]/p/text()')
    rate_num = movie.xpath('div[@class="bd"]/div[@class="star"]/span[@class="rating_num"]/text()')
    quote = movie.xpath('div[@class="bd"]/p[@class="quote"]/span/text()')

完整程序代码

上述内容介绍了编写程序时用到的 XPath表达式，下面正式编写爬虫程序，代码如下所示：

python 复制代码

import json
import pandas
import requests
from lxml import html
import csv

class LxmlDoubanTopMovies(object):
    headers = {
        'Host': 'movie.douban.com',
        'Origin': 'movie.douban.com',
        'User-Agent': 'Mozilla/5.0 (Linux; Android 6.0; Nexus 5 Build/MRA58N) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/73.0.3683.103 Mobile Safari/537.36',
    }

    def __init__(self):
        self.baseurl = 'https://movie.douban.com/top250'
        self.movies = []

    def start_requests(self, url):
        r = requests.get(url, headers=self.headers)
        return r.content

    def parse(self, source):
        parse_html = html.document_fromstring(source)
        xpath_bds = '//ol[@class="grid_view"]/li/div/div[@class="info"]'
        movie_list = parse_html.xpath(xpath_bds)

        for movie in movie_list:
            title = movie.xpath('div[@class="hd"]/a/span[@class="title"]/text()')
            other = movie.xpath('div[@class="hd"]/a/span[@class="other"]/text()')
            url = movie.xpath('div[@class="hd"]/a/@href')
            m_info = movie.xpath('div[@class="bd"]/p/text()')
            rate_num = movie.xpath('div[@class="bd"]/div[@class="star"]/span[@class="rating_num"]/text()')
            quote = movie.xpath('div[@class="bd"]/p[@class="quote"]/span/text()')

            movie_dic = {}
            movie_dic["电影名称"] = ''.join(title[0] + other[0]).replace(u'\xa0', ' ')  # 注意xpath表达式匹配结果是一个列表，因此需要索引[0]提取数据
            movie_dic["url"] = url[0]
            movie_dic['导演和演员'] = m_info[0].strip().replace(u'\xa0', ' ').replace(u'\u3000', ' ')
            mi = m_info[1].strip()
            movie_dic['发行时间'] = mi.split('/')[0].strip()
            movie_dic['地区'] = mi.split('/')[1].strip()
            movie_dic['类别'] = mi.split('/')[2].strip()
            movie_dic["评分"] = rate_num[0]
            if len(quote) > 0:
                quote_0 = quote[0]
            else:
                quote_0 = ""
            movie_dic["简介"] = quote_0
            self.movies.append(movie_dic)
            print(movie_dic)

        next_page = parse_html.xpath('//span[@class="next"]/a/@href')
        if next_page:
            next_url = self.baseurl + next_page[0]
            text = self.start_requests(next_url)
            self.parse(text)

    def write_json(self, result):
        s = json.dumps(result, indent=4, ensure_ascii=False)
        with open(r'data/lxml_movies.json', 'w', encoding='utf-8') as f:
            f.write(s)

    def write_cvs(self, data):
        with open(r'data/lxml_movies.csv', 'w', encoding='utf-8') as f:
            w = csv.DictWriter(f, fieldnames=data[0].keys())
            w.writeheader()
            w.writerows(data)

    def write_excel(self, data):
        excel_file = pandas.DataFrame(data)
        excel_file.to_excel(r'data/lxml_movies.xlsx', sheet_name="豆瓣电影lxml")

    def start(self):
        text = self.start_requests(self.baseurl)
        self.parse(text)
        # self.write_json(self.movies)
        # self.write_cvs(self.movies)
        self.write_excel(self.movies)

if __name__ == '__main__':
    db_movies = LxmlDoubanTopMovies()
    db_movies.start()

文档总结

📦 lxml 到底是什么？

lxml 是一个高性能的 Python XML/HTML 解析库，底层用 C 语言编写，速度比 BeautifulSoup 快得多。它的核心优势是支持 XPath 表达式，能够用简洁的路径语法精准定位网页元素。

打个比方：如果 BS4 是用"描述性语言"找元素（比如"找一个 class 为 xxx 的 div"），那 lxml 就是用"GPS 导航"找元素（比如"从根节点出发，经过 ol → li → div → a"）。

🧭 XPath 核心语法速查

语法	含义	示例
`//`	从任意位置匹配	`//a` 匹配所有 a 标签
`/`	从根节点逐级匹配	`/html/body/div`
`@`	选取属性	`//a/@href` 提取所有链接
`text()`	提取文本	`//span/text()`
`[@class="xxx"]`	按属性筛选	`//div[@class="info"]`
`*`	通配符	`//li/*` 匹配 li 下所有子元素
`	`	多路径匹配	`//a/text()	//span/text()`

🎯 常用内建函数

函数	表达式示例	说明
`text()`	`./text()`	提取当前节点文本
`contains()`	`//div[contains(@class,'item')]`	模糊匹配 class 包含 "item" 的 div
`last()`	`//li[last()]`	最后一个 li 元素
`position()`	`//li[position()<=3]`	前 3 个 li 元素
`starts-with()`	`//input[starts-with(@id,'user')]`	id 以 "user" 开头的 input

💡 基准表达式技巧

爬取列表数据时，先写一个"基准表达式"定位到每个数据项的容器，再遍历每个容器提取细节：

bash 复制代码

# 基准表达式：定位所有电影卡片
xpath_bds = '//ol[@class="grid_view"]/li/div[@class="info"]'
movie_list = parse_html.xpath(xpath_bds)

# 遍历每个卡片，提取具体信息
for movie in movie_list:
    title = movie.xpath('.//span[@class="title"]/text()')
    rate = movie.xpath('.//span[@class="rating_num"]/text()')

⚠️ 常见坑与解决方案

坑 1：XPath 返回空列表

python 复制代码

# 错误：路径写错或属性值不匹配
result = parse_html.xpath('//div[@class="movie"]')  # 返回 []

# 解决：先用 // 模糊定位，再逐步精确
result = parse_html.xpath('//div[contains(@class, "movie")]')

坑 2：text() 返回的是列表

python 复制代码

# 错误：直接当字符串用
title = movie.xpath('.//span/text()')
print(title.upper())  # AttributeError: list has no attribute 'upper'

# 正确：先索引或 join
title = movie.xpath('.//span/text()')[0]
title = ''.join(movie.xpath('.//span/text()'))

坑 3：相对路径 vs 绝对路径

python 复制代码

# 错误：在循环内用 // 会从头搜索整个文档
for movie in movie_list:
    title = movie.xpath('//span[@class="title"]/text()')  # 每次都搜全部

# 正确：用 .// 表示从当前节点开始
for movie in movie_list:
    title = movie.xpath('.//span[@class="title"]/text()')  # 只搜当前卡片

坑 4：HTML 结构不完整导致解析失败

python 复制代码

# lxml 的 HTML() 会自动补全缺失的闭合标签
html_str = '<li><a href="xxx">链接'  # 缺少 </a> 和 </li>
html = etree.HTML(html_str)  # 自动修正为完整 HTML

🆚 lxml vs BeautifulSoup 对比

特性	lxml	BeautifulSoup
速度	快（C 语言底层）	较慢（纯 Python）
语法	XPath 表达式	CSS 选择器 / 方法链
学习曲线	需学 XPath 语法	更直观易上手
容错性	依赖 HTML 质量	容错性强
适用场景	大型网页、高性能需求	快速原型、简单网页

🛠️ 调试技巧

1. 打印 HTML 原文

python 复制代码

from lxml import etree
html = etree.HTML(response.text)
print(etree.tostring(html, encoding='utf-8').decode())

2. 逐步验证 XPath

python 复制代码

# 先用宽泛表达式看能不能找到东西
print(parse_html.xpath('//div'))  # 有结果吗？

# 逐步缩小范围
print(parse_html.xpath('//div[@class="info"]'))  # 还有吗？

# 最终精确定位
print(parse_html.xpath('//div[@class="info"]/a/@href'))

3. 浏览器复制 XPath

F12 → 右键元素 → Copy → Copy XPath
注意：浏览器生成的 XPath 通常很长，可以手动简化

📚 学习建议

先学 XPath 语法 ：不用死记硬背，理解 /、//、@、text() 四个核心符号就能应对 80% 场景
基准表达式思维：先定位容器，再遍历提取，不要试图一个 XPath 搞定所有数据
多用 .// 相对路径 ：在循环内提取时，用 .// 避免全局搜索
text() 返回列表 ：永远记住 xpath() 返回的是列表，需要索引或 join
结合 requests 使用：lxml 只负责解析，网络请求还是用 requests
实战豆瓣电影：把文档中的完整代码跑一遍，理解每一步的作用