进一步了解XPath（利用XPath爬取飞哥的博客）【python爬虫入门进阶】（04）

您好，我是码农飞哥，感谢您阅读本文，欢迎一键三连哦。
本文是爬虫专栏的第四篇，重点介绍lxml库与XPath搭配使用解析网页提取网页内容。
干货满满，建议收藏，系列文章持续更新。 小伙伴们如有问题及需要，欢迎踊跃留言告诉我哦~ ~ ~。

前言（为什么写这篇文章）

上一篇文章我们简单的介绍了Html与xml的基本概念，并且重点介绍了XPath的语法。这篇文章就让我们来实战一下： 通过本文你将学会如何 如何利用lxml库来加载和解析网页，然后搭配XPath的语法定位特定元素及节点信息的知识点。
@[toc]

lxml库的介绍

lxml库是一个HTML/XML的解析器，主要功能是如何解析和提取HTML/XML的数据。
lxml和正则一样，也是用C语言实现的，是一款高性能的Python HTML/XML解析器。利用前面学习的XPath的语法来快速定位网页上的特定元素以及节点信息。

利用pip安装lxm库

pip install lxml

利用lxml库解析HTML片段

lxml库可以解析传入的任何一段XML或者HTML片段，当然前提是你的XML或者HTML片段没有语法错误。

#lxml_test.py
from lxml import etree

text = """
<div id="content_views" class="htmledit_views">
    <p style="text-align:center;"><strong>全网ID名：<b>码农飞哥</b></strong></p>
    <p style="text-align:right;"><strong>扫码加入技术交流群！</strong></span></p>
    <p style="text-align:right;"><img src="https://img-blog.csdnimg.cn/5df64755954146a69087352b41640653.png"/></p>
    <div style="text-align:left;">个人微信号<img src="https://img-blog.csdnimg.cn/09bddad423ad4bbb89200078c1892b1e.png"/></div>
</div>
"""
# 利用etree.HTML将字符串解析成HTML文档
html = etree.HTML(text)
print("调用etree.HTML=", html)
# 将Element对象序列化成字符串
result = etree.tostring(html)
print("将Element对象序列化成字符串=", result)

result2 = etree.tostring(html, encoding='utf-8').decode()
print(result2)

从上面的输出结果可以看出etree.HTML(text) 方法可以将字符串解析成HTML文档，也就是一个Element对象。etree.tostring(html) 可以将HTML文档序列化成字符串，序列化之后的结果是一个 bytes 对象，中文是不能正常显示的。需要通过指定编码方式为utf-8，并且调用decode()方法中文才能正常输出，并且输出的HTML是有格式的。即不是打印成一行。

利用lxml库加载html文件

lxml库不仅仅可以解析XML/HTML片段，还可以解析完整的HTML/XML文件 。下面创建了一个名为test.html文件。然后通过 etree.parse方法进行解析。

<div id="content_views" class="htmledit_views">
    <p style="text-align:center;"><strong>全网ID名：<b>码农飞哥</b></strong></p>
    <p style="text-align:right;"><strong>扫码加入技术交流群！</strong></p>
    <p style="text-align:right;"><img src="https://img-blog.csdnimg.cn/5df64755954146a69087352b41640653.png"/></p>
    <div style="text-align:left;">个人微信号<img src="https://img-blog.csdnimg.cn/09bddad423ad4bbb89200078c1892b1e.png"/></div>
</div>

然后创建一个html_parse.py的文件进行解析，需要注意的是该文件跟test.html文件在同一个目录下。

# html_parse.py
from lxml import etree
#读取外部文件 test.html
html = etree.parse('./test.html')
result = etree.tostring(html, encoding='utf-8').decode()
print(result)

解析结果是：

可以看出如果被解析的HTML文件是一个标准的HTML代码片段的话则可以正常加载，因为这里parse方法默认使用的是XML的解析器。
但是当HTML文件是一个标准的完整的HTML文件则XML解析器是不能解析。现在将test.html 改下图2的代码，如果直接使用XML解析器解析就会报下面的错误。

针对HTML文件需要通过HTMLParser方法设置HTML解析器。然后在parse方法指定该解析器，就像下面代码所示的一样。

from lxml import etree

# 定义解析器
html_parser = etree.HTMLParser(encoding='utf-8')
# 读取外部文件 test.html
html = etree.parse('./test.html', parser=html_parser)
result = etree.tostring(html, encoding='utf-8').decode()
print(result)

运行结果是：

实战开始

了解了lxml方法的基本使用之后，接下来我们就以码农飞哥的博客 为例。这里我们的需求是爬取他博客下所有文章（暂不包括文章内容），然后将爬取的数据保存到本地txt文件中。首先让我们来看看他的博客长啥样。涉及前面几篇博客知识点这里不再详细介绍了。这里重点介绍如何通过XPath来快速定位特定的元素和数据。

第一步： 获得文章的分组

首先获取文章的分组，还是使用万能的XPath Helper, 通过F12调出调试窗口，可以看出每个文章分组都是放在<div class="article-item-box csdn-tracking-statistics xh-highlight"></div> 。所以，通过 //div[@class="article-item-box csdn-tracking-statistics"] 表达式就可以获取所有的文章分组。

代码示例如下：

from lxml import etree
import requests

response = requests.get("https://feige.blog.csdn.net/", timeout=10)  # 发送请求
html = response.content.decode()
html = etree.HTML(html)  # 获取文章分组
li_temp_list = html.xpath('//div[@class="article-item-box csdn-tracking-statistics"]')
print(li_temp_list)

运行结果是：

这里通过html.xpath('//div[@class="article-item-box csdn-tracking-statistics"]') 方法得到40个Element对象。这40个Element对象就是我们需要爬取的当前页面的所有文章。 每个Element对象就是下面这样的内容。

接下来通过result = etree.tostring(li_temp_list[0], encoding='utf-8').decode() 方法序列化Element对象，得到的结果是：

<div class="article-item-box csdn-tracking-statistics" data-articleid="121003473">
      <img class="settop" src="https://csdnimg.cn/release/blogv2/dist/pc/img/listFixedTop.png" alt=""/>
      <h4 class="">
        <a href="https://feige.blog.csdn.net/article/details/121003473" data-report-click="{&quot;spm&quot;:&quot;1001.2014.3001.5190&quot;}" target="_blank">
            <span class="article-type type-1 float-none">原创</span>
          浅识XPath（熟练掌握XPath的语法）【python爬虫入门进阶】（03）
        </a> 
      </h4>
      <p class="content">
        XPath 利器在手，解析爬虫无忧
      </p>
      <div class="info-box d-flex align-content-center">
        <p>
          <span class="date">2021-10-28 14:56:05</span>
          <span class="read-num"><img src="https://csdnimg.cn/release/blogv2/dist/pc/img/readCountWhite.png" alt=""/>335</span>
          <span class="read-num"><img src="https://csdnimg.cn/release/blogv2/dist/pc/img/commentCountWhite.png" alt=""/>5</span>
        </p>
      </div>
    </div>

第二步: 获取文章的链接

从上面的代码我们可以看出文章的链接在<a href="https://feige.blog.csdn.net/article/details/121003473"> 中，而a元素的父元素是h4元素，h4元素的父元素是 <div class="article-item-box csdn-tracking-statistics">元素。

换成XPath的表达式就是//div[@class="article-item-box csdn-tracking-statistics"]/h4/a/@href ，即首先通过//div[@class="article-item-box csdn-tracking-statistics"] 选取所有的<div class="article-item-box csdn-tracking-statistics"> 然后通过/h4找到他的子元素h4，在通过/a找到h4的子元素a。最后就是通过/@href 找到链接内容。

不过第一步我们已经获取到了<div class="article-item-box csdn-tracking-statistics"> 元素的Element对象。所以，这里就不需要在重复写//div[@class="article-item-box csdn-tracking-statistics"]了，只需要通过. 代替，表示在当前目录下找。参考代码如下：

#省略第一步的代码
href = li_temp_list[0].xpath('./h4/a/@href')[0]
print(href)

得到的结果是：https://feige.blog.csdn.net/article/details/121003473 。需要注意的是.xpath方法返回的是一个列表，所以需要提取其第一个元素

第三步：获取标题内容

按照获取链接的思想，我们同样可以获取标题内容。标题的内容就直接在a标签里。这里只需要多一步就是通过text()方法提取a标签的内容。表达式就是//div[@class="article-item-box csdn-tracking-statistics"]/h4/a/text()。

参考代码是：

title_list = li_temp_list[0].xpath('./h4/a/text()')
print(title_list)
print(title_list[1])

运行结果是：

['\n            ', '\n          浅识XPath（熟练掌握XPath的语法）【python爬虫入门进阶】（03）\n        ']

          浅识XPath（熟练掌握XPath的语法）【python爬虫入门进阶】（03）

因为列表中的第一个元素是\n，所以需要获取第二个元素。

完整的参考代码

import requests
from lxml import etree
import json
import os


class FeiGe:
    # 初始化
    def __init__(self, url, pages):
        self.url = url
        self.pages = pages
        self.headers = {
            "user-agent": "Mozilla/5.0 (Macintosh; Intel Mac OS X 10_15_7) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/95.0.4638.54 Safari/537.36"}

    def get_total_url_list(self):
        """
         获取所有的urllist
        :return:
        """
        url_list = []
        for i in range(self.pages):
            url_list.append(self.url + "/article/list/" + str(i + 1) + "?t=1")
        return url_list

    def parse_url(self, url):
        """
        一个发送请求，获取响应，同时etree处理html
        :param url:
        :return:
        """
        print('parsing url:', url)
        response = requests.get(url, headers=self.headers, timeout=10)  # 发送请求
        html = response.content.decode()
        html = etree.HTML(html)
        return html

    def get_title_href(self, url):
        """
        获取一个页面的title和href
        :param url:
        :return:
        """
        html = self.parse_url(url)
        # 获取文章分组
        li_temp_list = html.xpath('//div[@class="article-item-box csdn-tracking-statistics"]')
        total_items = []
        # 遍历分组
        for i in li_temp_list:
            href = i.xpath('./h4/a/@href')[0] if len(i.xpath('./h4/a/@href')) > 0 else None
            title = i.xpath('./h4/a/text()')[1] if len(i.xpath('./h4/a/text()')) > 0 else None
            summary = i.xpath('./p')[0] if len(i.xpath('./p')) > 0 else None
            # 放入字典
            item = dict(href=href, text=title.replace('\n', ''), summary=summary.text.replace('\n', ''))
            total_items.append(item)
        return total_items

    def save_item(self, item):
        """
        保存一个item
        :param item:
        :return:
        """
        with open('feige_blog.txt', 'a') as f:
            f.write(json.dumps(item, ensure_ascii=False, indent=2))
            f.write("\n")

    def run(self):

        # 找到url规律，url_list
        url_list = self.get_total_url_list()
        os.remove('feige_blog.txt')
        for url in url_list:
            # 遍历url_list发送请求，获得响应
            total_item = self.get_title_href(url)
            for item in total_item:
                print(item)
                self.save_item(item)


if __name__ == '__main__':
    fei_ge = FeiGe("https://feige.blog.csdn.net/", 8)
    fei_ge.run()

运行结果是：

该类主要分为几大块。

1. 初始化方法__init__(self, url, pages) 主要设置需要爬取的博客的域名，以及博客的页数，以及初始化请求头。
2. 获取所有页数的链接的方法get_total_url_list(self) ，这里需要注意的链接的规律。
   
3. parse_url(self, url) 方法主要就是根据传入的url获得该url的html页面。
4. get_title_href(self, url) 方法主要分为两块，第一块就是调用parse_url(self, url) 方法得到链接对应的html页面。第二块就是解析HTML页面以定位到我们需要的数据的元素，并将元素放在列表total_items中返回。
5. save_item(self, item) 方法就是将第四步返回的total_items中的数据保存到feige_blog.txt文件中。
6. run(self) 方法是主入口，统筹调用各个方法。

总结

本文通过码农飞哥演示了如何在实战中使用XPath来爬取我们想要的数据。