Python爬虫中如何使用xpath解析HTML

最近工作上写了个爬虫，要爬取国家标准网上的一些信息，这自然离不了 Python，而在解析 HTML 方面，xpath 则可当仁不让的成为兵器谱第一。

你可能之前听说或用过其它的解析方式，像 Beautiful Soup，用的人好像也不少，但 xpath 与之相比，语法更简单，解析速度更快，就像正则表达式一样，刚上手要学习一番，然而用久了，那些规则自然而然的就记住了，熟练之后也很难忘记。

安装 lxml

xpath 只是解析规则，其背后是要有相应的库来实现功能的，就像正则表达式只是规则，而 Python 内置的 re 库，则是提供了解析功能。在 Python 中，lxml 就是 xpath 解析的实现库。

安装 lxml 非常简单，pip install lxml 就搞定了。

下面我们来看一下，在我这次真实的项目中，该如何发挥出它的威力。

加载 HTML 内容

加载 HTML 内容，应该用 etree.parse()、etree.fromstring() 还是 etree.HTML() ?

首先，把 lxml 库导进来：from lxml import etree。

HTML 内容的加载，是通过 etree 的方法载入的，具体有 3 个方法：parse()、fromstring() 和 HTML()。

parse() 是从文件加载。fromstring() 是从字符串加载。HTML() 也是从字符串加载，但是以 HTML 兼容的方式加载进来的。

那我们应该选哪个方法呢？别犹豫，选 etree.HTML()，即使你的 HTML 内容来自文件。这是为何？

首先要说的一点是，HTML 也是 XML 的一种，而 XML 的标准规定，其必须拥有一个根标签，否则，这段 XML 就是非法的。而我们加载进来的 HTML 内容，可能本身就不是完整的，只是个片段，且没有根标签；或是加载进来的 HTML 从头到脚看起来都是完整的，但是中间的节点，有的缺少结束标签，这些情况，其实都是非法的 XML。那么，在用 parse() 或 formstring() 加载这种缺胳膊少腿的 HTML 的时候，就会报错；而用 etree.HTML() 则不会。

这是因为 etree.HTML() 加载方式，有很好的 HTML 兼容性，它会补全缺胳膊少腿的 HTML，把它变成一个完整的、合法的 HTML。

下面是一个从文件加载 HTML 的例子：

from lxml import etree

with open('test.html', 'r') as f:
    html = etree.HTML(f.read())
    print(html, type(html))

打印出来的结果是：<Element html at 0x7f7efa762040> <class 'lxml.etree._Element'>，加载进来的 HTML 字符串，已经变成了 Element 对象。

后面我们通过 xpath 找 HTML 节点，全都是在这个 Element 对象上操作的。

找到你需要的 HTML 节点

下面是我想要找的 HTML 节点

在这个 table 表格中，第一个 tbody 是表头，第二个 tbody 是表内容，我们要如何定位到第二个 tbody ？

我们通常是调用上面获得的 Element 对象的 xpath() 方法，通过传入的 xpath 路径查找的。而路径有两种写法：一种是 / 开头，从 html 根标签，沿着子节点一个个找下来；另一种是 // 开头，即不论我们要找的节点在什么位置，找到就算，这种方式是最常用的。

比如，我们现在要找的 tbody 节点，它在 table 节点下，我们就可以这样写：html.xpath('//table/tbody')。这里的 html 是上面获得的 Element 对象，然后去找 HTML 内容中的、不管在任何位置的所有的 table，找到后再继续找它们下面的直接子节点 tbody，于是就匹配出来了。

可是这里有 2 个 tbody，我需要的是第二个，我们可以在 [] 中写条件表达式：html.xpath('//table/tbody[2]')，注意这里的序号是从 1 开始的。

强大的属性选择器

你可能有个疑问，如果 HTML 内容中不只有一个 table 表格，那我们通过 html.xpath('//table/tbody[2]') 岂不是找到了 2 个 table 里的第二个 tbody，而我需要的只是其中之一。没错，是存在这样一个问题。此时，我们就可以用属性选择器，来更精确的定位元素。

观察一下上面的 HTML 结构，table 表格的最外层有一个 div，它还有个 class 属性：table-responsive，假设这个 div 的 class 属性是整个 HTML 里独一无二的，那么我们就可以很放心的去查找 div.table-responsive 下的 table，进而精确定位我们想要的元素。

那么，要怎样写 class = "table-responsive" 这个条件呢？看看上面写条件表达式的 []，那里面除了可以写数字来指定位置以外，也可以写其它各式各样的条件，比如：

html.xpath('//div[@class="table-responsive"]/table/tbody[2]')，这里我们就把 class = "table-responsive" 这个条件写进去了，从而定位到想要的元素。注意，在 xpath 中，所有的 HTML 属性匹配都是以 @ 打头的，比如有这样一个 <a href="#">Click Me</a> 元素，我们想要通过 id 定位它，可以这样写：//a[@id="show_me"]，是不是很简单。

假设很遗憾，我们这里的 table-responsive 不是唯一的，可能还有其它地方的 div 的 class = "table-responsive"，这该怎么办？没关系，我们可以找其它具有唯一 class 值的元素，比如：最外层 div 下的 table.result_list 这个元素，这个是唯一的。好了，下面开始写定位代码：html.xpath('//table[@class="result_list"]/tbody[2]')，但是运行后，发现找不到元素，这是为什么？

其实仔细观察一下就能发现，这个元素的 class 里不只有 result_list，它还包括其它一长串的内容：class = "table result_list table-striped table-hover"，所以匹配失败了。那要如何指定 class 包含某个属性呢？其实可以在条件表达式中，用 contains() 函数，无需精确匹配，而是模糊匹配，只要包含指定的字符串就可以了。比如：html.xpath('//table[contains(@class, "result_list")]/tbody[2]') 这样就可以实现了。

需要提一点的是，xpath 定位到的元素，不管是不是全局唯一的，它的返回值都是一个列表，需要通过下标获取其中的元素。

相对定位

我最终的目标，是要遍历表格中所有的内容行，获取其中的标准号和标准名称，于是我初步完成了如下代码：

from lxml import etree

with open('test.html', 'r') as f:
    html = etree.HTML(f.read())
    rows = html.xpath('//table[contains(@class, "result_list")]/tbody[2]/tr')

    for row in rows:
        td_list = row.xpath('...')

现在我能够成功地定位到每一行，下面需要再基于每一行，找到我需要的列：

此时，我在 for 循环的内部，已经拿到了每一行 row，再通过 row.xpath('//td') 继续往下定位 td 就好了。

可是，当你运行这段代码的时候，你会发现不对劲，一行里面总共只有 8 个 td，为什么出来了 80 个【一行 8 个，总共 10 行】？这是把 HTML 中所有的 td 都找出来了吧，可是我明明是用上面获取的 row 对象来查找的呀，不是应该只基于当前行往下找吗？

这就牵扯到了 绝对定位 和 相对定位。

其实，我们上面讲到的 / 和 //，都是绝对定位，也就是从 HTML 内容的根节点往下查找。一个 HTML 内容的根节点是什么呢，它是 html，再往下是 body，再再往下才是自定义的标签。所以，上面代码的执行结果是那种情况，也就不足为奇了，因为它不是在当前所在的 row 节点查找的，而是从根节点 /html/body/xxx/xxx/td 往下查找的呀。

所以，在这里不能用 绝对定位 了，要用 相对定位，那要如何用？很简单，用 . 和 .. 即可，这个我们可太熟悉了，. 就代表了当前节点 row，而 .. 则代表了当前节点的上一层父节点 tbody。

好了，我们修正上面的代码：

from lxml import etree

with open('test.html', 'r') as f:
    html = etree.HTML(f.read())
    rows = html.xpath('//table[contains(@class, "result_list")]/tbody[2]/tr')

    for row in rows:
        td_list = row.xpath('./td')

        i = 1
        for td in td_list:
            if i == 2:
                pass
            elif i == 4:
                pass
            i += 1

这样就可以正常地找到每一行里面的 8 个 td，然后再单独处理第 2 个和第 4 个单元格，获取其中的信息就好了。

通过已知节点获取属性和文本

到目前为止，我们能拿到第 2 个和第 4 个 td 节点了，只要再获取里面的 a 标签的属性和文本就可以了。

我们先获取 onclick 属性，通过 td.xpath('./a')，可以找到此 td 节点下面的 a 标签，然后调用 a 节点的 get() 方法，即可获得对应的属性值，代码如下：

a1 = td.xpath('./a')[0]
onclick = a1.get('onclick')

注意哦，xpath() 方法的返回值，始终是一个列表，所以我们用下标 [0] 先把它从列表中取出来，然后再获取其属性。 至于属性内的值，我实际想取的是里面的一串 ID 字符串，这个再用正则表达式取一下就可以了。

要获取节点内的文本，也很简单，获得到的节点有一个 text 属性，可以直接得到节点的文本内容：a1.text。

好用的兄弟节点选择器

上面的代码逻辑有点挫，我们先是获取到一行里的所有 td，然后循环遍历它，在遍历的过程当中，只取其中的 2 个 td，着实有些浪费。假设一行里有 1000 个 td，那这里岂不是要循环 1000 次，就只为了取 2 个？

虽然从实际运行速度上来讲，影响微乎其微，但对于有代码洁癖和强迫症的人来说，是不可接受的，所以，我们要改造它。

重新观察一下 HTML 结构，我发现第 4 个单元格有个明显的特征，它的 class = "mytxt"：

我们可以很容易地找到它：title_td = tr.xpath('./td[@class="mytxt"]')[0]，然后再基于刚找到的 title_td，查找从它往上数第 2 个兄弟节点，这样就省略了一个循环，只要查找两次就完成了。

那么，怎么查找上面的兄弟节点呢？用 preceing-sibling，比如：title_td.xpath('./preceding-sibling::td[2]')，这就代表要查找 title_td 上面的、从它这里往上数、排在第 2 位的 td 节点。

除了 preceding-sibling 之外，还有 following-sibling，顾名思意，是往下查找兄弟节点。

以上我只介绍了这 2 个，其实还有很多类似的选择器，具体可以参考下面的速查手册。

最后，我改造的代码如下：

from lxml import etree

with open('test.html', 'r') as f:
    html = etree.HTML(f.read())
    rows = html.xpath('//table[contains(@class, "result_list")]/tbody[2]/tr')

    for row in rows:
        title_td = row.xpath('./td[@class="mytxt"]')[0]
        title_link = title_td.xpath('./a')[0]
        title_onclick = title_link.get('onclick')

        print(title_onclick, title_link.text)

        id_td = title_td.xpath('./preceding-sibling::td[2]')[0]
        id_link_text = id_td.xpath('./a/text()')[0]

        print(id_link_text)

速查手册

xpath 的规则并不复杂，常用的也就那些，用熟了自然就记住了。但像正则表达式一样，它还有许多不常用却很好用的特性，你还是需要偶尔查一下具体的作用和用法。

这里有一个非常好的速查手册，虽然里面的内容看起来不够丰富、很简单，但是可以一目了然，并且它用 css 的语法来作类比，就能够更好地理解每一个 xpath 规则的实际用途。

速查手册：https://devhints.io/xpath

总结

文章详细介绍了如何使用Python的lxml库中的xpath进行网页数据爬取,解释了xpath与BeautifulSoup相比的优势,介绍如何使用lxml库加载HTML内容,包括parse()、fromstring()和HTML()方法的使用,展示了如何使用xpath定位HTML节点,包括使用绝对定位和相对定位。

到此这篇关于Python爬虫中如何使用xpath解析HTML的文章就介绍到这了,更多相关Python爬虫使用xpath解析HTML内容请搜索脚本之家以前的文章或继续浏览下面的相关文章希望大家以后多多支持脚本之家！