数据提取-XPath语法与lxml库

XPath简介

XPath（XML Path Language） 是一门在 XML 文档中查找信息的语言。XPath 可用来在 XML 文档中对元素和属性进行遍历。XPath 是 W3C XSLT 标准的主要元素，并且 XQuery 和 XPointer 都构建于 XPath 表达之上。因此，对 XPath 的理解是很多高级 XML 应用的基础。

XPath开发工具

1. Chrome插件XPath Helper
2. Firefox插件Try XPath

XPath基本语法

• 选取节点
  XPath 使用路径表达式在 XML 文档中选取节点。节点是通过沿着路径或者 step 来选取的。

表达式	作用	示例	结果
nodename	选取此节点的所有子节点。	bookstore	选取 bookstore 元素的所有子节点。
/	从根节点选取。	/bookstore	选取根元素 bookstore。假如路径起始于正斜杠( / )，则此路径始终代表到某元素的绝对路径！
//	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。	//book	选取所有 book 子元素，而不管它们在文档中的位置。
.	选取当前节点。	./book	选取当前节点下的book子元素
@	选取属性。	//@lang	选取名为 lang 的所有属性。

2. 谓语
   谓语用来查找某个特定的节点或者包含某个指定的值的节点。谓语被嵌在方括号中。

路径表达式	结果
/bookstore/book[1]	选取属于 bookstore 子元素的第一个 book 元素。
/bookstore/book[last()]	选取属于 bookstore 子元素的最后一个 book 元素。
/bookstore/book[last()-1]	选取属于 bookstore 子元素的倒数第二个 book 元素。
/bookstore/book[position()< 3]	选取最前面的两个属于 bookstore 元素的子元素的 book 元素。
//title[@lang]	选取所有拥有名为 lang 的属性的 title 元素。
//title[@lang=‘eng’]	选取所有 title 元素，且这些元素拥有值为 eng 的 lang 属性。
/bookstore/book[price>35.00]	选取 bookstore 元素的所有 book 元素，且其中的 price 元素的值须大于 35.00。
/bookstore/book[price>35.00]/title	选取 bookstore 元素中的 book 元素的所有 title 元素，且其中的 price 元素的值须大于 35.00。

3. 选取未知节点
   XPath 通配符可用来选取未知的 XML 元素

通配符	描述	示例	结果
*	匹配任何元素节点。	/bookstore/*	选取 bookstore 元素的所有子元素。
@*	匹配任何属性节点。	//*	选取文档中的所有元素。
node()	匹配任何类型的节点。	//title[@*]	选取所有带有属性的 title 元素。

5. 选取若干路径
   通过在路径表达式中使用“|”运算符，您可以选取若干个路径。

路径表达式	结果
//book/title | //book/price	选取 book 元素的所有 title 和 price 元素。
//title | //price	选取文档中的所有 title 和 price 元素。
/bookstore/book/title | //price	选取属于 bookstore 元素的 book 元素的所有 title 元素，以及文档中所有的 price 元素。

lxml库

lxml是功能最丰富且易于使用的库，用于处理Python语言中的XML和HTML。它的独特之处在于它将这些库的速度和XML特性完整性与原生Python API的简单性相结合，大多数兼容但优于众所周知的 ElementTree API。最新版本适用于2.7到3.7的所有CPython版本

遇到的问题

from lxml import etree

显示有错误

Cannot find reference 'etree' in '__init__.py' more... (Ctrl+F1)

这个其实不是错误，不影响正常使用。无视就可以了。。

基本使用

解析html字符串

from lxml import etree
import  requests

url = 'https://jobs.51job.com/all/co4229797.html#syzw'
r = requests.get(url)

# etree.HTML()解析HTML格式的文本
html = etree.HTML(r.text)

#由于html是字节流，需要转换成字符串
print(etree.tostring(html, encoding='utf-8').decode('utf-8'))

解析html文件

from lxml import etree
import  requests

#如果是XML格式可以创建XML解析器
#创建XML解析器示例：
#parser = etree.XMLParser(encoding='utf-8')

#创建HTML解析器
parser = etree.HTMLParser(encoding='utf-8')

# 用创建的解析器解析文本
html = etree.parse(‘文件名’,parser=parser)

#由于html是字节流，需要转换成字符串
print(etree.tostring(html, encoding='utf-8').decode('utf-8'))

XPath和lxml库结合爬取51job某公司招聘的职位列表

网页

from lxml import etree
import  requests

url = 'https://jobs.51job.com/all/co4229797.html#syzw'
headers={
    'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/68.0.3440.106 Safari/537.36'
}

r = requests.get(url,headers=headers)
html = etree.HTML(r.text)

divs = html.xpath('//div[@class="el"]')
positions = []

for div in divs:
    href = div.xpath('./p/a/@href')[0]
    title = div.xpath('./p/a/@title')[0]
    requirement = div.xpath('.//span/text()')[0]
    address = div.xpath('.//span/text()')[1]
    salary = div.xpath('.//span/text()')[2]
    date = div.xpath('.//span/text()')[3]
    position = {
        '链接':href,
        '职位':title,
        '要求':requirement,
        '地址':address,
        '薪资':salary,
        '日期':date
    }
    positions.append(position)

for  i in positions:
    for key,value in i.items() :
        print("{!s}:{!s}".format(key,value))

效果

# divs = html.xpath('//div[@class="el"]')
# XPath获取到的结果，返回的是个列表，这是只是第一个元素，并不是全部

<div class="el">&#13;
		<p class="t1"><a target="_blank" href="https://jobs.51job.com/shenzhen-ftq/106687916.html?s=04" class=" zw-name" title="JavaScript前端开发工程师">JavaScript前端开发工程师</a></p>&#13;
		<span class="t2">2年经验 | 本科 | 招2人</span>&#13;
		<span class="t3">深圳-福田区</span>&#13;
		<span class="t4">1.5-2万/月</span>&#13;
		<span class="t5">01-16</span>&#13;
	</div>&#13;

参考链接

• http://www.w3school.com.cn/xpath/xpath_syntax.asp
• https://lxml.de/tutorial.html#parser-objects