02数据提取-xpath

作者: 何惧l | 来源:发表于2018-04-13 18:08 被阅读26次

    xpath

    xpath(XML Path Language)是一门在XML和HTML文档中查找信息的语言,可用来在XML和HTML文档中对元素和属性进行遍历

    xpath语法

    http://www.w3school.com.cn/xpath/xpath_syntax.asp
    具体的用法可以在这个网站上进行查看

    XPath开发工具

    • Chrome插件XPath Helper

    lxml库

    lxml 是 一个HTML/XML的解析器,主要的功能是如何解析和提取 HTML/XML 数据
    lxml和正则一样,也是用 C 实现的,是一款高性能的 Python HTML/XML 解析器,我们可以利用之前学习的XPath语法,来快速的定位特定元素以及节点信息

    • lxml python 官方文档 http://lxml.de/index.html
    • 需要安装C语言库,可使用 pip 安装:pip install lxml

    使用lxml解析HTML代码

    1. 解析html字符串,使用lxml.etree.HTML进行解析
    # 使用lxml的etree库
    from lxml import etree
    # text = '''
    # <div>
    #     <ul>
    #          <li class="item-0"><a href="link1.html">first item</a></li>
    #          <li class="item-1"><a href="link2.html">second item</a></li>
    #          <li class="item-inactive"><a href="link3.html">third item</a></li>
    #          <li class="item-1"><a href="link4.html">fourth item</a></li>
    #          <li class="item-0"><a href="link5.html">fifth item</a> # 注意,此处缺少一个 </li> 闭合标签
    #      </ul>
    #  </div>
    # '''
    
    # 利用etree.HTML,将字符串解析为HTML文档
    html = etree.HTML(text)
    # 按字符串序列化HTML文档
    result = etree.tostring(html) # 这个时候文档会出现乱码
    # 采用下面的方法,文档不会出现乱码
    result = etree.tostring(html,encoding='utf-8').decode('utf-8')
    # print(result)
    # 可以看到,lxml会自动修改HTML代码
    

    从文件中读取html代码:

    解析html文件:使用lxml.etree.parse进行解析,这个函数默认的是XML解析器,所以如果遇到不规范的HTML代码的时候就会解析错误,这个时候就的自己定义解析器

    from lxml import etree
    # 从文件中读取html代码
    # 读取外部文件hello.html,规范的html代码
    html = etree.parse('hello.html')
    result = etree.tostring(html,encoding='utf-8').decode('utf-8')
    print(result)
    

    遇到不规范的HTML代码

    from lxml import etree
    # 若遇到不规范的html出现问题,那么这样解析就会报错
    # 这个时候就得添加一个属性parse,还得指定解释器
    def parse_lagou_file():
        # 自定义一个解释器
        parse = etree.HTMLParser(encoding='utf-8')
        # 解析的时候添加一个属性
        html = etree.parse('lagou.html',parser=parse)
        # 这样就可以准确的打印出来汉字
        result = etree.tostring(html,encoding='utf-8').decode('utf-8')
        print(result)
    

    在lxml中使用XPath语法

    XPath函数返回的永远是一个列表

    1. 常见的操作:
    #encoding: utf-8
    # 在lxml中使用Xpath语法
    from lxml import etree
    parse = etree.HTMLParser(encoding='utf-8')
    # 从外部读取html文件
    html = etree.parse('hello.html',parser=parse)
    # 查看返回类型
    print(type(html))
    
    # 1. 打印li标签的元素集合
    # result = html.xpath('//li')
    # print(result)
    
    
    # 2. 获取所有li元素下的所有class属性的值
    result = html.xpath('//li[@class]')
    print(result)
    
    # 3. 获取li标签下href为www.baidu.com的a标签
    result = html.xpath('//li/a[@href="www.baidu.com"]')
    print(result)
    
    
    # 4. 获取li标签下所有span标签
    # result = html.xpath('//li/span')
    # 这样是不对的,因为 / 是用来获取子元素的,而
    # span元素并不是li的子元素
    result = html.xpath('//li//span')
    print(result)
    
    # 5. 获取li标签下的a标签里的所有class
    result = html.xpath('//li/a//@class')
    print(result)
    
    # 获取最后一个li的a的href属性对应的值
    result = html.xpath('//li[last()]/a/@href')
    print(result)
    
    # 获取倒数第二个li元素的内容
    result = html.xpath('//li[last()-1]/a/text()')
    print(result)
    
    1. 实例的html代码,https://hr.tencent.com/social.php
    <table class="tablelist" cellpadding="0" cellspacing="0">
                    <tbody><tr class="h">
                        <td class="l" width="374">职位名称</td>
                        <td>职位类别</td>
                        <td>人数</td>
                        <td>地点</td>
                        <td>发布时间</td>
                    </tr>
                                    <tr class="even">
                        <td class="l square"><a target="_blank" href="position_detail.php?id=36628&amp;keywords=&amp;tid=87&amp;lid=0">21557-音视频质量评估算法工程师(深圳)</a></td>
                        <td>技术类</td>
                        <td>1</td>
                        <td>深圳</td>
                        <td>2018-02-02</td>
                    </tr>
                                    <tr class="odd">
                        <td class="l square"><a target="_blank" href="position_detail.php?id=36624&amp;keywords=&amp;tid=87&amp;lid=0">MIG16-自动驾驶协调控制(北京)</a></td>
                        <td>技术类</td>
                        <td>1</td>
                        <td>北京</td>
                        <td>2018-02-02</td>
                    </tr>
                                    <tr class="even">
                        <td class="l square"><a target="_blank" href="position_detail.php?id=36610&amp;keywords=&amp;tid=87&amp;lid=0">22989-系统运维工程师—数字广东公司(腾讯投资)</a><span class="hot">&nbsp;</span></td>
                        <td>技术类</td>
                        <td>1</td>
                        <td>广州</td>
                        <td>2018-02-02</td>
                    </tr>
                                    <tr class="odd">
                        <td class="l square"><a target="_blank" href="position_detail.php?id=36609&amp;keywords=&amp;tid=87&amp;lid=0">22989-系统测试工程师—数字广东公司(腾讯投资)</a><span class="hot">&nbsp;</span></td>
                        <td>技术类</td>
                        <td>3</td>
                        <td>广州</td>
                        <td>2018-02-02</td>
                    </tr>
                                    <tr class="even">
                        <td class="l square"><a target="_blank" href="position_detail.php?id=36608&amp;keywords=&amp;tid=87&amp;lid=0">22989-高级系统测试工作师—数字广东公司(腾讯投资)</a><span class="hot">&nbsp;</span></td>
                        <td>技术类</td>
                        <td>1</td>
                        <td>广州</td>
                        <td>2018-02-02</td>
                    </tr>
                                    <tr class="odd">
                        <td class="l square"><a target="_blank" href="position_detail.php?id=36607&amp;keywords=&amp;tid=87&amp;lid=0">22989-后台开发工程师—数字广东公司(腾讯投资)</a><span class="hot">&nbsp;</span></td>
                        <td>技术类</td>
                        <td>2</td>
                        <td>广州</td>
                        <td>2018-02-02</td>
                    </tr>
                                    <tr class="even">
                        <td class="l square"><a target="_blank" href="position_detail.php?id=36606&amp;keywords=&amp;tid=87&amp;lid=0">22989-高级后台开发工程师—数字广东公司(腾讯投资)</a><span class="hot">&nbsp;</span></td>
                        <td>技术类</td>
                        <td>2</td>
                        <td>广州</td>
                        <td>2018-02-02</td>
                    </tr>
                                    <tr class="odd">
                        <td class="l square"><a target="_blank" href="position_detail.php?id=36605&amp;keywords=&amp;tid=87&amp;lid=0">22989-web前端开发工程师—数字广东公司(腾讯投资)</a><span class="hot">&nbsp;</span></td>
                        <td>技术类</td>
                        <td>2</td>
                        <td>广州</td>
                        <td>2018-02-02</td>
                    </tr>
                                    <tr class="even">
                        <td class="l square"><a target="_blank" href="position_detail.php?id=36617&amp;keywords=&amp;tid=87&amp;lid=0">22989-应用架构设计师—数字广东公司(腾讯投资)</a><span class="hot">&nbsp;</span></td>
                        <td>技术类</td>
                        <td>3</td>
                        <td>广州</td>
                        <td>2018-02-02</td>
                    </tr>
                                    <tr class="odd">
                        <td class="l square"><a target="_blank" href="position_detail.php?id=36616&amp;keywords=&amp;tid=87&amp;lid=0">22989-高级售前技术工程师—数字广东公司(腾讯投资)</a><span class="hot">&nbsp;</span></td>
                        <td>技术类</td>
                        <td>1</td>
                        <td>广州</td>
                        <td>2018-02-02</td>
                    </tr>
                </tbody>
                </table>
    
    
    1. 对上面的文本进行实际操作:
    
    #encoding: utf-8
    
    from lxml import etree
    
    # 自己定义一个解释器
    parser = etree.HTMLParser(encoding='utf-8')
    html = etree.parse('tencent.html',parser=parser)
    # result = etree.tostring(html,encoding='utf-8').decode('utf-8')
    
    
    # xpath返回的是列表
    # 1.获取所有的tr标签
    trs = html.xpath('//tr')
    for tr in trs:
       print(etree.tostring(tr,encoding='utf-8').decode('utf-8'))
    
    # 2.获取第二个tr标签
    # trs = html.xpath('//tr[2]')
    # for tr in trs:
    #     print(etree.tostring(tr,encoding='utf-8').decode('utf-8'))
    # 也可以这样写,因为返回的是一个列表,选第一个元素就可以,
    tr = html.xpath('//tr[2]')[0]
    
    
    # 3.获取所有class等于even的标签
    trs = html.xpath('//tr[@class="even"]')
    print(type(trs))
    for tr in trs:
         print(etree.tostring(tr,encoding='utf-8').decode('utf-8'))
    
    
    # 4.获取所有a属性的href属性的值
    # 注意:这个是获取所有拥有href属性的a标签
    # trs = html.xpath('//a[@href]')
    # 若返回的值字符串类型就不用进行tostring
    ass = html.xpath('//a/@href')
    for a in ass:
       print('https://hr.tencent.com/'+a)
    
    
    
    # 5.获取所有的职位纯文本
    trs = html.xpath('//tr[position()>1]')
    positions = []
    for tr in trs:
        # 获取当前的a的href属性
        # 在某个标签下再执行xpath函数,获取这个标签下的子孙元素
        # 那么应该在//之前加一个.,表示从当前元素下获取
        href = tr.xpath('.//a/@href')[0]
        fullurl = 'https://hr.tencent.com'+ href
        # 这个获取文本
        # title = tr.xpath('.//a/text()')[0]
        # 或者.这里需要注意,使用的是 // ,因为a元素的文本不是td的直接下一级元素
        title = tr.xpath('./td[1]//text()')[0]
        category = tr.xpath('./td[2]/text()')[0]
        # print(category)
        # break
        nums = tr.xpath('./td[3]/text()')[0]
        adds = tr.xpath('./td[4]/text()')[0]
        time = tr.xpath('./td[5]/text()')[0]
    
        position = {
            'url':fullurl,
            'title':title,
            'category':category,
            'nums':nums,
            'adds':adds,
            'time':time
        }
    
        positions.append(position)
        # print(etree.tostring(href,encoding='utf-8').decode('utf-8'))
    
    for p in positions:
        print(p)
    
    实战结果.png

    相关文章

      网友评论

        本文标题:02数据提取-xpath

        本文链接:https://www.haomeiwen.com/subject/lmlhkftx.html