Python爬虫利器Xpath语法与lxml库的用法

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。

下面列出了最有用的路径表达式：

表达式	描述
nodename	选取此节点的所有子节点。
/	从根节点选取。
//	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。

实例

在下面的表格中，我们已列出了一些路径表达式以及表达式的结果：

路径表达式	结果
bookstore	选取 bookstore 元素的所有子节点。
/bookstore	选取根元素 bookstore。注释：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！
bookstore/book	选取属于 bookstore 的子元素的所有 book 元素。
//book	选取所有 book 子元素，而不管它们在文档中的位置。
bookstore//book	选择属于 bookstore 元素的后代的所有 book 元素，而不管它们位于 bookstore 之下的什么位置。
//@lang	选取名为 lang 的所有属性。

谓语（Predicates）

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。

实例

在下面的表格中，我们列出了带有谓语的一些路径表达式，以及表达式的结果：

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。

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
*	匹配任何元素节点。
@*	匹配任何属性节点。
node()	匹配任何类型的节点。

实例

在下面的表格中，我们列出了一些路径表达式，以及这些表达式的结果：

路径表达式	结果
/bookstore/*	选取 bookstore 元素的所有子元素。
//*	选取文档中的所有元素。
//title[@*]	选取所有带有属性的 title 元素。

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。

实例

在下面的表格中，我们列出了一些路径表达式，以及这些表达式的结果：

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。

XPath 运算符

下面列出了可用在 XPath 表达式中的运算符：

运算符	描述	实例	返回值
|	计算两个节点集	//book | //cd	返回所有拥有 book 和 cd 元素的节点集
+	加法	6 + 4	10
–	减法	6 – 4	2
*	乘法	6 * 4	24
div	除法	8 div 4	2
=	等于	price=9.80	如果 price 是 9.80，则返回 true。如果 price 是 9.90，则返回 false。
!=	不等于	price!=9.80	如果 price 是 9.90，则返回 true。如果 price 是 9.80，则返回 false。
<	小于	price<9.80	如果 price 是 9.00，则返回 true。如果 price 是 9.90，则返回 false。
<=	小于或等于	price<=9.80	如果 price 是 9.00，则返回 true。如果 price 是 9.90，则返回 false。
>	大于	price>9.80	如果 price 是 9.90，则返回 true。如果 price 是 9.80，则返回 false。
>=	大于或等于	price>=9.80	如果 price 是 9.90，则返回 true。如果 price 是 9.70，则返回 false。
or	或	price=9.80 or price=9.70	如果 price 是 9.80，则返回 true。如果 price 是 9.50，则返回 false。
and	与	price>9.00 and price<9.90	如果 price 是 9.80，则返回 true。如果 price 是 8.50，则返回 false。
mod	计算除法的余数	5 mod 2	1

1.安装：

pip install lxml

2.下面的代码是爬取华夏二手车的某一条数据

import requests
from lxml import etree
import json
main_url = 'http://www.hx2car.com/details/162837726?position=011302'
headers = {
    "User-Agent": "Mozilla / 5.0(Windows NT 10.0;Win64;x64) AppleWebKit / 537.36(KHTML, likeGecko) Chrome / 71.0.3578.98Safari / 537.36",
}
res = requests.get(main_url, headers=headers)
res.encoding = 'utf-8'

root = etree.HTML(res.content)
title = []#标题
title_s = root.xpath('//div[@class="top_R"]/h2/text()')
title_e = root.xpath('//div[@class="top_R"]/h2/span/text()')
title.append(title_s[0].strip('\n , \xa0'))
title.append(title_e[0].strip('\n , \xa0'))
prices = root.xpath('//span[@class="cf60 price"]/span/text()')
prices = ''.join(e for e in prices[0].strip('\n , \xa0 \t') if e.strip('\n , \xa0 \t'))#价格
kilometre = root.xpath('//div[@class="car_info"]/ul/li[1]/p[1]/text()')#行驶公里
discharge = root.xpath('//div[@class="car_info"]/ul/li[2]/p[1]/text()')#排放/排量
purpose = root.xpath('//div[@class="car_info"]/ul/li[last()]/p[1]/text()')#用途
card_time = root.xpath('//div[@class="opt_box"]/div[1]/div[4]/text()')#上牌日期
color = root.xpath('//div[@class="opt_box"]/div[1]/div[5]/text()')#颜色
contacts = root.xpath('//div[@class="intro"]/div[2]/div[1]/a/text()')#联系人
address = root.xpath('//span[@id="IArea"]/text()')
address = address[0].strip('\n , \xa0')#地址
#获取汽车图片
picture = []
picture_srcs = root.xpath('//div[@id="detail_pic"]/p/img/@src')
for picture_src in picture_srcs:
    picture_name = picture_src.split("/")[-1]
    res = requests.get(picture_src, headers=headers)
    with open('./hx/'+picture_name,'bw') as f:
        f.write(res.content)
    picture.append(picture_name)
"""
进入门店
"""
go = root.xpath('//a[@class="intro_shops"]/@href')
res = requests.get(go[0], headers=headers)
res.encoding = 'utf-8'
root = etree.HTML(res.content)
m_title = root.xpath('//span[@class="title"]/text()')[0]#公司
photo = root.xpath('//span[@class="tel"]/text()')[0].strip('\n , \xa0 \t')#电话
data = {
    'title':title,
    'prices':prices,
    'kilometre':kilometre,
    'discharge':discharge,
    'purpose':purpose,
    'card_time':card_time,
    'color':color,
    'contacts':contacts,
    'address':address,
    'm_title':m_title,
    'photo':photo,
    'picture':picture
}
with open('./hx/data.json', 'w',encoding='utf-8') as f:
    f.write(json.dumps(data,ensure_ascii=False))