非結構化數據與結構化數據提取----XPath與lxml類庫
阿新 • • 發佈：2018-10-13
html ext sce .html 文件系統 結構化數據 繼續 http encoding
1. 獲取所有的
2. 繼續獲取
3. 繼續獲取
4. 獲取
5. 獲取
6. 獲取最後一個
8. 獲取
什麽是XML
- XML 指可擴展標記語言（EXtensible Markup Language）
- XML 是一種標記語言，很類似 HTML
- XML 的設計宗旨是傳輸數據，而非顯示數據
- XML 的標簽需要我們自行定義。
- XML 被設計為具有自我描述性。
- XML 是 W3C 的推薦標準
W3School官方文檔：http://www.w3school.com.cn/xml/index.asp
XML 和 HTML 的區別
| 數據格式 | 描述 | 設計目標 |
|---|---|---|
| XML | Extensible Markup Language （可擴展標記語言） |
被設計為傳輸和存儲數據，其焦點是數據的內容。 |
| HTML | HyperText Markup Language （超文本標記語言） |
顯示數據以及如何更好顯示數據。 |
| HTML DOM | Document Object Model for HTML (文檔對象模型) |
通過 HTML DOM，可以訪問所有的 HTML 元素，連同它們所包含的文本和屬性。可以對其中的內容進行修改和刪除，同時也可以創建新的元素。 |
XML文檔示例
<?xml version="1.0" encoding="utf-8"?>
<bookstore>
<book category="cooking">
<title lang="en">Everyday Italian</title>
<author>Giada De Laurentiis</author>
<year>2005</year>
<price>30.00</price>
</book>
<book category="children">
<title lang="en">Harry Potter</title>
<author>J K. Rowling</author>
<year>2005</year>
<price>29.99</price>
</book>
<book category="web">
<title lang="en">XQuery Kick Start</title>
<author>James McGovern</author>
<author>Per Bothner</author>
<author>Kurt Cagle</author>
<author>James Linn</author>
<author>Vaidyanathan Nagarajan</author>
<year>2003</year>
<price>49.99</price>
</book>
<book category="web" cover="paperback">
<title lang="en">Learning XML</title>
<author>Erik T. Ray</author>
<year>2003</year>
<price>39.95</price>
</book>
</bookstore>
HTML DOM 模型示例
HTML DOM 定義了訪問和操作 HTML 文檔的標準方法，以樹結構方式表達 HTML 文檔。
XML的節點關系
1. 父（Parent）
每個元素以及屬性都有一個父。
下面是一個簡單的XML例子中，book 元素是 title、author、year 以及 price 元素的父：
<?xml version="1.0" encoding="utf-8"?>
<book>
<title>Harry Potter</title>
<author>J K. Rowling</author>
<year>2005</year>
<price>29.99</price>
</book>
2. 子（Children）
元素節點可有零個、一個或多個子。
在下面的例子中，title、author、year 以及 price 元素都是 book 元素的子：
<?xml version="1.0" encoding="utf-8"?>
<book>
<title>Harry Potter</title>
<author>J K. Rowling</author>
<year>2005</year>
<price>29.99</price>
</book>
3. 同胞（Sibling）
擁有相同的父的節點
在下面的例子中，title、author、year 以及 price 元素都是同胞：
<?xml version="1.0" encoding="utf-8"?>
<book>
<title>Harry Potter</title>
<author>J K. Rowling</author>
<year>2005</year>
<price>29.99</price>
</book>
4. 先輩（Ancestor）
某節點的父、父的父，等等。
在下面的例子中，title 元素的先輩是 book 元素和 bookstore 元素：
<?xml version="1.0" encoding="utf-8"?>
<bookstore>
<book>
<title>Harry Potter</title>
<author>J K. Rowling</author>
<year>2005</year>
<price>29.99</price>
</book>
</bookstore>
5. 後代（Descendant）
某個節點的子，子的子，等等。
在下面的例子中，bookstore 的後代是 book、title、author、year 以及 price 元素：
<?xml version="1.0" encoding="utf-8"?>
<bookstore>
<book>
<title>Harry Potter</title>
<author>J K. Rowling</author>
<year>2005</year>
<price>29.99</price>
</book>
</bookstore>
什麽是XPath？
XPath (XML Path Language) 是一門在 XML 文檔中查找信息的語言，可用來在 XML 文檔中對元素和屬性進行遍歷。
W3School官方文檔：http://www.w3school.com.cn/xpath/index.asp
XPath 開發工具
- 開源的XPath表達式編輯工具:XMLQuire(XML格式文件可用)
- Chrome插件 XPath Helper
- Firefox插件 XPath Checker
選取節點
XPath 使用路徑表達式來選取 XML 文檔中的節點或者節點集。這些路徑表達式和我們在常規的電腦文件系統中看到的表達式非常相似。
下面列出了最常用的路徑表達式：
| 表達式 | 描述 |
|---|---|
| nodename | 選取此節點的所有子節點。 |
| / | 從根節點選取。 |
| // | 從匹配選擇的當前節點選擇文檔中的節點，而不考慮它們的位置。 |
| . | 選取當前節點。 |
| .. | 選取當前節點的父節點。 |
| @ | 選取屬性。 |
在下面的表格中，我們已列出了一些路徑表達式以及表達式的結果：
| 路徑表達式 | 結果 | |
|---|---|---|
| bookstore | 選取 bookstore 元素的所有子節點。 | |
| /bookstore | 選取根元素 bookstore。註釋：假如路徑起始於正斜杠( / )，則此路徑始終代表到某元素的絕對路徑！ | |
| bookstore/book | 選取屬於 bookstore 的子元素的所有 book 元素。 | |
| //book | 選取所有 book 子元素，而不管它們在文檔中的位置。 | |
| bookstore//book | 選擇屬於 bookstore 元素的後代的所有 book 元素，而不管它們位於 bookstore 之下的什麽位置。 | |
| //@lang | 選取名為 lang 的所有屬性。 |
謂語（Predicates）
謂語用來查找某個特定的節點或者包含某個指定的值的節點，被嵌在方括號中。
在下面的表格中，我們列出了帶有謂語的一些路徑表達式，以及表達式的結果：
| 路徑表達式 | 結果 |
|---|---|
| /bookstore/book[1] | 選取屬於 bookstore 子元素的第一個 book 元素。 |
| /bookstore/book[last()] | 選取屬於 bookstore 子元素的最後一個 book 元素。 |
| /bookstore/book[last()-1] | 選取屬於 bookstore 子元素的倒數第二個 book 元素。 |
| /bookstore/book[position()<3] | 選取最前面的兩個屬於 bookstore 元素的子元素的 book 元素。 |
| //title[@lang] | 選取所有擁有名為 lang 的屬性的 title 元素。 |
| //title[@lang=’eng’] | 選取所有 title 元素，且這些元素擁有值為 eng 的 lang 屬性。 |
| /bookstore/book[price>35.00] | 選取 bookstore 元素的所有 book 元素，且其中的 price 元素的值須大於 35.00。 |
| /bookstore/book[price>35.00]/title | 選取 bookstore 元素中的 book 元素的所有 title 元素，且其中的 price 元素的值須大於 35.00。 |
選取未知節點
XPath 通配符可用來選取未知的 XML 元素。
| 通配符 | 描述 |
|---|---|
| * | 匹配任何元素節點。 |
| @* | 匹配任何屬性節點。 |
| node() | 匹配任何類型的節點。 |
在下面的表格中，我們列出了一些路徑表達式，以及這些表達式的結果：
| 路徑表達式 | 結果 |
|---|---|
| /bookstore/* | 選取 bookstore 元素的所有子元素。 |
| //* | 選取文檔中的所有元素。 |
| //title[@*] | 選取所有帶有屬性的 title 元素。 |
選取若幹路徑
通過在路徑表達式中使用“|”運算符，您可以選取若幹個路徑。
實例
在下面的表格中，我們列出了一些路徑表達式，以及這些表達式的結果：
| 路徑表達式 | 結果 |
|---|---|
| //book/title | //book/price | 選取 book 元素的所有 title 和 price 元素。 |
| //title | //price | 選取文檔中的所有 title 和 price 元素。 |
| /bookstore/book/title | //price | 選取屬於 bookstore 元素的 book 元素的所有 title 元素，以及文檔中所有的 price 元素。 |
XPath的運算符
下面列出了可用在 XPath 表達式中的運算符：
這些就是XPath的語法內容，在運用到Python抓取時要先轉換為xml。
lxml庫
lxml 是 一個HTML/XML的解析器，主要的功能是如何解析和提取 HTML/XML 數據。
lxml和正則一樣，也是用 C 實現的，是一款高性能的 Python HTML/XML 解析器，我們可以利用之前學習的XPath語法，來快速的定位特定元素以及節點信息。
lxml python 官方文檔：http://lxml.de/index.html
需要安裝C語言庫，可使用 pip 安裝：
pip install lxml（或通過wheel方式安裝）
初步使用
我們利用它來解析 HTML 代碼，簡單示例：
# lxml_test.py
# 使用 lxml 的 etree 庫
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> # 註意，此處缺少一個 </li> 閉合標簽
</ul>
</div>
‘‘‘
#利用etree.HTML，將字符串解析為HTML文檔
html = etree.HTML(text)
# 按字符串序列化HTML文檔
result = etree.tostring(html)
print(result)
輸出結果：
<html><body>
<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></li>
</ul>
</div>
</body></html>
lxml 可以自動修正 html 代碼，例子裏不僅補全了 li 標簽，還添加了 body，html 標簽。
文件讀取：
除了直接讀取字符串，lxml還支持從文件裏讀取內容。我們新建一個hello.html文件：
<!-- hello.html -->
<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"><span class="bold">third item</span></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></li>
</ul>
</div>
再利用 etree.parse() 方法來讀取文件。
# lxml_parse.py
from lxml import etree
# 讀取外部文件 hello.html
html = etree.parse(‘./hello.html‘)
result = etree.tostring(html, pretty_print=True)
print(result)
輸出結果與之前相同：
<html><body>
<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></li>
</ul>
</div>
</body></html>
XPath實例測試
1. 獲取所有的 <li> 標簽
# xpath_li.py
from lxml import etree
html = etree.parse(‘hello.html‘)
print type(html) # 顯示etree.parse() 返回類型
result = html.xpath(‘//li‘)
print result # 打印<li>標簽的元素集合
print len(result)
print type(result)
print type(result[0])
輸出結果：
<type ‘lxml.etree._ElementTree‘>
[<Element li at 0x1014e0e18>, <Element li at 0x1014e0ef0>, <Element li at 0x1014e0f38>, <Element li at 0x1014e0f80>, <Element li at 0x1014e0fc8>]
5
<type ‘list‘>
<type ‘lxml.etree._Element‘>
2. 繼續獲取<li> 標簽的所有 class屬性
# xpath_li.py
from lxml import etree
html = etree.parse(‘hello.html‘)
result = html.xpath(‘//li/@class‘)
print result
運行結果
[‘item-0‘, ‘item-1‘, ‘item-inactive‘, ‘item-1‘, ‘item-0‘]
3. 繼續獲取<li>標簽下hre 為 link1.html 的 <a> 標簽
# xpath_li.py
from lxml import etree
html = etree.parse(‘hello.html‘)
result = html.xpath(‘//li/a[@href="link1.html"]‘)
print result
運行結果
[<Element a at 0x10ffaae18>]
4. 獲取<li> 標簽下的所有 <span> 標簽
# xpath_li.py
from lxml import etree
html = etree.parse(‘hello.html‘)
#result = html.xpath(‘//li/span‘)
#註意這麽寫是不對的：
#因為 / 是用來獲取子元素的，而 <span> 並不是 <li> 的子元素，所以，要用雙斜杠
result = html.xpath(‘//li//span‘)
print result
運行結果
[<Element span at 0x10d698e18>]
5. 獲取 <li> 標簽下的<a>標簽裏的所有 class
# xpath_li.py
from lxml import etree
html = etree.parse(‘hello.html‘)
result = html.xpath(‘//li/a//@class‘)
print result
運行結果
[‘blod‘]
6. 獲取最後一個 <li> 的 <a> 的 href
# xpath_li.py
from lxml import etree
html = etree.parse(‘hello.html‘)
result = html.xpath(‘//li[last()]/a/@href‘)
# 謂語 [last()] 可以找到最後一個元素
print result
運行結果
[‘link5.html‘]
7. 獲取倒數第二個元素的內容
# xpath_li.py
from lxml import etree
html = etree.parse(‘hello.html‘)
result = html.xpath(‘//li[last()-1]/a‘)
# text 方法可以獲取元素內容
print result[0].text
運行結果
fourth item
8. 獲取 class 值為 bold 的標簽名
# xpath_li.py
from lxml import etree
html = etree.parse(‘hello.html‘)
result = html.xpath(‘//*[@class="bold"]‘)
# tag方法可以獲取標簽名
print result[0].tag
運行結果
span非結構化數據與結構化數據提取----XPath與lxml類庫