在了解爬虫基础、请求库和正则匹配库以及一个具体豆瓣电影爬虫实例之后，可能大家还对超长的正则表达式记忆犹新，设想如果想要匹配的条目更加多那表达式长度将会更加恐怖，这显然不是我们想要的，因此本文介绍的解析库可以帮助我们更加轻松地提取到特定信息。
1.库简介
XPath（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，但它同样适用于html 文档的搜索。所以在做爬虫时，我们完全可以使用XPath 来做相应的信息抽取。
2.入门测试
需要导入lxml库（若未安装推荐用pip install lxml安装即可），然后使用下面代码进行简单测试：
from lxml import etree
text = '''<html><body><div>
<ul>
<li class="item-0"><a href="link1.html">first</a></li>
<li class="item-1"><a href="link2.html">second</a>
<li class="item-2"><a href="link3.html">third</a></li>
<li class="item-3"><a href="link4.html">fourth</a></li>
</ul>
</div>'''
html = etree.HTML(text)
result = etree.tostring(html)
print(result.decode('utf-8'))
结果如下：可以看到，etree模块不仅将缺少的标签闭合了，而且还加上了html、body节点。
<html><body><div>
<ul>
<li class="item-0"><a href="link1.html">first</a></li>
<li class="item-1"><a href="link2.html">second</a>
</li><li class="item-2"><a href="link3.html">third</a></li>
<li class="item-3"><a href="link4.html">fourth</a></li>
</ul>
</div></body></html>
3.基本方法
xpath的常用规则及基本方法如下：
上文中的入门测试即为初始化html。其中etree.parse()是初始化html构造一个XPath解析对象；etree.tostring()是修复html文件中代码，把缺的头或尾节点补齐；result.deode('utf-8')修复后的HTML代码是字节类型，转化成字符串。
print(html.xpath('//*')) # 获取所有的节点
print(html.xpath('//li')) # 获取所有li节点
print(html.xpath('//li/a')) # 所有li下是所有直接a子节点
print(html.xpath('//ul//a')) # 所有ul下的子孙a节点
# 找到所有a节点中href为links.html的父节点的class值
# .. 来实现查找父节点
print(html.xpath('//a[@href="link1.html"]/../@class'))
# 找到class值为item-0是节点
print(html.xpath('//li[@class="item-0"]'))
# 匹配到class值为item-0节点中的a标签中的文本
print(html.xpath('//li[@class="item-0"]/a/text()'))
print(html.xpath('//li/a/@href')) # 找到li下a中的href属性值
#只要节点属性class中包含item就能匹配出来
print(html.xpath('//li[contains(@class,"item")]/a/text()'))
1.库简介
BeautifulSoup4和 lxml 一样，Beautiful Soup 也是一个HTML/XML的解析器，主要的功能也是如何解析和提取 HTML/XML 数据。BeautifulSoup支持Python/ target=_blank class=infotextkey>Python标准库中的HTML解析器,还支持一些第三方的解析器，如果我们不安装它，则 Python 会使用 Python默认的解析器，lxml 解析器更加强大，速度更快，推荐使用lxml 解析器。
2.入门测试
假设有这样一个Html（即从百度网页源代码截取一段），具体内容如下：
html = '''
<!DOCTYPE html>
<html>
<head>
<meta content="text/html;charset=utf-8" http-equiv="content-type" />
<meta content="IE=Edge" http-equiv="X-UA-Compatible" />
<meta content="always" name="referrer" />
<link href="https://ss1.bdstatic.com/5eN1bjq8AAUYm2zgoY3K/r/www/cache/bdorz/baidu.min.css" rel="stylesheet" type="text/css" />
<title>百度一下，你就知道 </title>
</head>
<body link="#0000cc">
<div id="wrApper">
<div id="head">
<div class="head_wrapper">
<div id="u1">
<a class="mnav" href="http://news.baidu.com" name="tj_trnews">新闻 </a>
<a class="mnav" href="https://www.hao123.com" name="tj_trhao123">hao123 </a>
<a class="mnav" href="http://map.baidu.com" name="tj_trmap">地图 </a>
<a class="mnav" href="http://v.baidu.com" name="tj_trvideo">视频 </a>
<a class="mnav" href="http://tieba.baidu.com" name="tj_trtieba">贴吧 </a>
<a class="bri" href="//www.baidu.com/more/" name="tj_briicon" style="display: block;">更多产品 </a>
</div>
</div>
</div>
</div>
</body>
</html>'''
如果将字符串单独保存为html文件，则使用谷歌浏览器打开后即为：
通过导入bs4库中的BeautifulSoup子类可以输入以下命令观察输出：
from bs4 import BeautifulSoup
bs = BeautifulSoup(html,"html.parser") # 缩进格式
print(bs.prettify()) # 获取title标签的所有内容
print(bs.title) # 获取title标签的名称
print(bs.title.name) # 获取title标签的文本内容
print(bs.title.string) # 获取head标签的所有内容
print(bs.head) # 获取第一个div标签中的所有内容
print(bs.div) # 获取第一个div标签的id的值
print(bs.div["id"]) # 获取第一个a标签中的所有内容
print(bs.a) # 获取所有的a标签中的所有内容
print(bs.find_all("a")) # 获取id="u1"
print(bs.find(id="u1")) # 获取所有的a标签，并遍历打印a标签中的href的值
for item in bs.find_all("a"):
print(item.get("href")) # 获取所有的a标签，并遍历打印a标签的文本值
for item in bs.find_all("a"):
print(item.get_text())
3.基本方法
BeautifulSoup4将复杂HTML文档转换成一个复杂的树形结构,每个节点都是Python对象,所有对象可以归纳为4种：
# [document] #bs 对象本身比较特殊，它的 name 即为 [document]
print(bs.name)
# head #对于其他内部标签，输出的值便为标签本身的名称
print(bs.head.name)
# 在这里，我们把 a 标签的所有属性打印输出了出来，得到的类型是一个字典。
print(bs.a.attrs)
#还可以利用get方法，传入属性的名称，二者是等价的
print(bs.a['class']) # 等价 bs.a.get('class')
# 可以对这些属性和内容等等进行修改
bs.a['class'] = "newClass"
print(bs.a)
# 还可以对这个属性进行删除
del bs.a['class']
print(bs.a)
print(bs.title.string)
print(type(bs.title.string))
print(type(bs.name))
print(bs.name)
print(bs.attrs)
print(bs.a)
# 此时不能出现空格和换行符，a标签如下：
# <a class="mnav" href="http://news.baidu.com" name="tj_trnews"><!--新闻--></a>
print(bs.a.string) # 新闻
print(type(bs.a.string)) # <class 'bs4.element.Comment'
接下来具体讲解BeautifulSoup的使用方法。我们可以通过BeautifulSoup遍历文档树：
# tag的.content 属性可以将tag的子节点以列表的方式输出
print(bs.head.contents)
# 用列表索引来获取它的某一个元素
print(bs.head.contents[1])
for child in bs.body.children:
print(child)
也可以通过BeautifulSoup进行搜索文档树：
在上面的示例中我们简单介绍了find_all的使用，接下来介绍一下find_all的更多用法-过滤器。这些过滤器贯穿整个搜索API，过滤器可以被用在tag的name中，节点的属性等。
from bs4 import BeautifulSoup
import re
bs = BeautifulSoup(html,"html.parser")
t_list = bs.find_all(re.compile("a"))
for item in t_list:
print(item)
find()将返回符合条件的第一个Tag，有时我们只需要或一个Tag时，我们就可以用到find()方法了。当然了，也可以使用find_all()方法，传入一个limit=1，然后再取出第一个值也是可以的，不过未免繁琐。
from bs4 import BeautifulSoup
import re
# 返回只有一个结果的列表
t_list = bs.find_all("title",limit=1)
print(t_list)
# 返回唯一值
t = bs.find("title")
print(t)
# 如果没有找到，则返回None
t = bs.find("abc")
print(t)
BeautifulSoup支持发部分的CSS选择器，在Tag获取BeautifulSoup对象的.select()方法中传入字符串参数，即可使用CSS选择器的语法找到Tag：
print(bs.select('title'))
print(bs.select('a'))
print(bs.select('.mnav'))
print(bs.select('#u1'))
print(bs.select('div .bri'))
print(bs.select('a[class="bri"]'))
print(bs.select('a[href="http://tieba.baidu.com"]'))
t_list = bs.select("head > title")
print(t_list)
t_list = bs.select(".mnav ~ .bri")
print(t_list)
t_list = bs.select("title")
print(bs.select('title')[0].get_text())
1.库简介
如果觉得Xpath有些难懂，BeautifulSoup有些难记，那pyquery一定适合你。pyquery 可让你用 jQuery 的语法来对 xml 进行操作。这和 jQuery 十分类似。如果利用 lxml，pyquery 对 xml 和 html 的处理将更快。这个库不是一个可以和 JAVAScript交互的代码库，它只是非常像 jQuery API 而已。
2.入门测试
# html为上文BeautifulSoup测试实例
from pyquery import PyQuery as pq
doc = pq(html)
print(doc('title').text()) # '标题'
print(doc('div').filter('.head_wrapper').text()) # '文字1'
print(doc('a[name=tj_trnews]').text()) # 同上，只是这种方法支持除了id和class之外的属性筛选
print(doc('div').filter('#u1').find('a').text()) # '列表1第1项 列表1第2项'
print(doc('div#u1 a').text()) # 简化形式
print(doc('div#u1 > a').text()) # 节点之间用>连接也可以，但是加>只能查找子元素，空格子孙元素
3.基本方法
# 字符串初始化：
from pyquery import PyQuery as pq
doc=pq(html)
print(doc('li'))
# URL初始化
doc=pq(url="https://ww.baidu.com")
print(doc)
a = open('test.html','r',encoding='utf8')
doc=pq(a.read())
print(doc)
# id 为container,class为list下的所有li
print(doc('.head_wrapper #u1 a'))
# .find():查找所有子孙节点
items = doc('#u1')
print(items.find('a'))
# .children():查找子节点
items=doc('#u1')
print(items.children('.mnav'))
# 父节点
doc=pq(html)
items=doc('.mnav')
print(items.parent())
print(items.parents())
# 兄弟节点
doc=pq(html)
li=doc('.mnav')
print(li.siblings('.bri'))
# 用items()函数生成列表生成器进行遍历
doc=pq(html)
lis=doc('a').items()
for li in lis:
print(li)
# 获取属性
a=doc('.head_wrapper #u1 .bri')
# attr只会输出第一个a节点属性，要用items()遍历
print(a.attr('href'))
# 获取文本
# .text()
a=doc('.head_wrapper #u1 .bri')
# text()函数会输出所有的li文本内容
print(a.text())
# .html()
li=doc('a')
# html()只会输出第一个li节点内的HTML文本
print(li.html())
# removeClass addClass
a=doc('.head_wrapper #u1 .bri')
print(a)
a.removeClass('bri') # 移除active的class
print(a)
a.addClass('bri') # 增加active的class
print(a)
# attr text html
a.attr('name','link') # 增加属性name=link
a.text('changed item') # 改变文本 changed item
a.html('<span>changed item </span>') # 改变HTML
print(a)
# remove()
u1=doc('#u1')
# 删除wrap中p节点
u1.find('a').remove()
print(u1.text())
Python有关Xpath、BeautifulSoup、pyquery三大解析库的基本使用方法介绍至此结束
京公网安备 11010802035086号