Python|Python xpath,JsonPath,bs4的基本使用 bs4的基本使用|JsonPath

1.xpath

1.1 xpath使用
1.2 xpath基本语法
1.3 示例
1.4 爬取百度搜索按钮的value

2. JsonPath

2.1 pip安装
2.2 jsonpath的使用

3. BeautifulSoup

3.1 基本简介
3.2 安装以及创建
3.3 节点定位
3.5 节点信息
3.6 使用示例
3.7 解析星巴克产品名称

【Python|Python xpath,JsonPath,bs4的基本使用】
1.xpath
1.1 xpath使用

google提前安装xpath插件，按ctrl + shift + x 出现小黑框
安装lxml库 pip install lxml ‐i https://pypi.douban.com/simple
导入lxml.etreefrom lxml import etree
etree.parse() 解析本地文件html_tree = etree.parse('XX.html')
etree.HTML() 服务器响应文件html_tree = etree.HTML(response.read().decode('utf‐8')
.html_tree.xpath(xpath路径)

1.2 xpath基本语法
1.路径查询

查找所有子孙节点，不考虑层级关系
找直接子节点

2.谓词查询

//div[@id] //div[@id="maincontent"]

3.属性查询

//@class

4.模糊查询

//div[contains(@id, "he")] //div[starts‐with(@id, "he")]

5.内容查询

//div/h1/text()

6.逻辑运算

//div[@id="head" and @class="s_down"] //title | //price

1.3 示例
xpath.html

Title
北京
上海
广州
深圳

from lxml import etree# xpath解析# 本地文件：etree.parse# 服务器相应的数据response.read().decode('utf-8')etree.HTML()tree = etree.parse('xpath.html')# 查找url下边的lili_list = tree.xpath('//body/ul/li')print(len(li_list))# 4# 获取标签中的内容li_list = tree.xpath('//body/ul/li/text()')print(li_list)# ['北京', '上海', '广州', '深圳']# 获取带id属性的lili_list = tree.xpath('//ul/li[@id]')print(len(li_list))# 3# 获取id为l1的标签内容li_list = tree.xpath('//ul/li[@id="l1"]/text()')print(li_list)# ['北京']# 获取id为l1的class属性值c1 = tree.xpath('//ul/li[@id="l1"]/@class')print(c1)# ['class1']# 获取id中包含l的标签li_list = tree.xpath('//ul/li[contains(@id, "l")]/text()')print(li_list)# ['北京', '上海']# 获取id以d开头的标签li_list = tree.xpath('//ul/li[starts-with(@id,"d")]/text()')print(li_list)# ['广州']# 获取id为l2并且class为class2的标签li_list = tree.xpath('//ul/li[@id="l2" and @class="class2"]/text()')print(li_list)# ['上海']# 获取id为l2或id为d1的标签li_list = tree.xpath('//ul/li[@id="l2"]/text() | //ul/li[@id="d1"]/text()')print(li_list)# ['上海', '广州']

1.4 爬取百度搜索按钮的value

import urllib.requestfrom lxml import etreeurl = 'http://www.baidu.com'headers = {'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/103.0.0.0 Safari/537.36'}request = urllib.request.Request(url=url, headers=headers)response = urllib.request.urlopen(request)content = response.read().decode('utf-8')tree = etree.HTML(content)value = https://www.it610.com/article/tree.xpath('//input[@id="su"]/@value')print(value)

文章图片

1.5 爬取站长素材的图片

# 需求下载的前十页的图片# https://sc.chinaz.com/tupian/qinglvtupian.html1# https://sc.chinaz.com/tupian/qinglvtupian_page.htmlimport urllib.requestfrom lxml import etreedef create_request(page):if (page == 1):url = 'https://sc.chinaz.com/tupian/qinglvtupian.html'else:url = 'https://sc.chinaz.com/tupian/qinglvtupian_' + str(page) + '.html'headers = {'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/92.0.4515.159 Safari/537.36',}request = urllib.request.Request(url=url, headers=headers)return requestdef get_content(request):response = urllib.request.urlopen(request)content = response.read().decode('utf-8')return contentdef down_load(content):#下载图片# urllib.request.urlretrieve('图片地址','文件的名字')tree = etree.HTML(content)name_list = tree.xpath('//div[@id="container"]//a/img/@alt')# 一般设计图片的网站都会进行懒加载src_list = tree.xpath('//div[@id="container"]//a/img/@src2')print(src_list)for i in range(len(name_list)):name = name_list[i]src = https://www.it610.com/article/src_list[i]url ='https:' + srcurllib.request.urlretrieve(url=url, filename='./loveImg/' + name + '.jpg')if __name__ == '__main__':start_page = int(input('请输入起始页码'))end_page = int(input('请输入结束页码'))for page in range(start_page, end_page + 1):# (1) 请求对象的定制request = create_request(page)# （2）获取网页的源码content = get_content(request)# （3）下载down_load(content)

2. JsonPath
2.1 pip安装

pip install jsonpath

2.2 jsonpath的使用

obj = json.load(open('json文件', 'r', encoding='utf‐8')) ret = jsonpath.jsonpath(obj, 'jsonpath语法')

JSONPath语法元素和对应XPath元素的对比：

文章图片

示例：
jsonpath.json

{ "store": {"book": [{ "category": "修真","author": "六道","title": "坏蛋是怎样练成的","price": 8.95},{ "category": "修真","author": "天蚕土豆","title": "斗破苍穹","price": 12.99},{ "category": "修真","author": "唐家三少","title": "斗罗大陆","isbn": "0-553-21311-3","price": 8.99},{ "category": "修真","author": "南派三叔","title": "星辰变","isbn": "0-395-19395-8","price": 22.99}],"bicycle": {"author": "老马","color": "黑色","price": 19.95}}}

import jsonimport jsonpathobj = json.load(open('jsonpath.json', 'r', encoding='utf-8'))# 书店所有书的作者author_list = jsonpath.jsonpath(obj, '$.store.book[*].author')print(author_list)# ['六道', '天蚕土豆', '唐家三少', '南派三叔']# 所有的作者author_list = jsonpath.jsonpath(obj, '$..author')print(author_list)# ['六道', '天蚕土豆', '唐家三少', '南派三叔', '老马']# store下面的所有的元素tag_list = jsonpath.jsonpath(obj, '$.store.*')print(tag_list)# [[{'category': '修真', 'author': '六道', 'title': '坏蛋是怎样练成的', 'price': 8.95}, {'category': '修真', 'author': '天蚕土豆', 'title': '斗破苍穹', 'price': 12.99}, {'category': '修真', 'author': '唐家三少', 'title': '斗罗大陆', 'isbn': '0-553-21311-3', 'price': 8.99}, {'category': '修真', 'author': '南派三叔', 'title': '星辰变', 'isbn': '0-395-19395-8', 'price': 22.99}], {'author': '老马', 'color': '黑色', 'price': 19.95}]# store里面所有东西的priceprice_list = jsonpath.jsonpath(obj, '$.store..price')print(price_list)# [8.95, 12.99, 8.99, 22.99, 19.95]# 第三个书book = jsonpath.jsonpath(obj, '$..book[2]')print(book)# [{'category': '修真', 'author': '唐家三少', 'title': '斗罗大陆', 'isbn': '0-553-21311-3', 'price': 8.99}]# 最后一本书book = jsonpath.jsonpath(obj, '$..book[(@.length-1)]')print(book)# [{'category': '修真', 'author': '南派三叔', 'title': '星辰变', 'isbn': '0-395-19395-8', 'price': 22.99}]#前面的两本书book_list = jsonpath.jsonpath(obj, '$..book[0,1]')# book_list = jsonpath.jsonpath(obj,'$..book[:2]')print(book_list)# [{'category': '修真', 'author': '六道', 'title': '坏蛋是怎样练成的', 'price': 8.95}, {'category': '修真', 'author': '天蚕土豆', 'title': '斗破苍穹', 'price': 12.99}]# 条件过滤需要在（）的前面添加一个？#过滤出所有的包含isbn的书。book_list = jsonpath.jsonpath(obj, '$..book[?(@.isbn)]')print(book_list)# [{'category': '修真', 'author': '唐家三少', 'title': '斗罗大陆', 'isbn': '0-553-21311-3', 'price': 8.99}, {'category': '修真', 'author': '南派三叔', 'title': '星辰变', 'isbn': '0-395-19395-8', 'price': 22.99}]# 哪本书超过了10块钱book_list = jsonpath.jsonpath(obj, '$..book[?(@.price>10)]')print(book_list)# [{'category': '修真', 'author': '天蚕土豆', 'title': '斗破苍穹', 'price': 12.99}, {'category': '修真', 'author': '南派三叔', 'title': '星辰变', 'isbn': '0-395-19395-8', 'price': 22.99}]

3. BeautifulSoup
3.1 基本简介
1.安装

pip install bs4

2.导入

from bs4 import BeautifulSoup

3.创建对象

服务器响应的文件生成对象 soup = BeautifulSoup(response.read().decode(), 'lxml')
本地文件生成对象 soup = BeautifulSoup(open('1.html'), 'lxml')

注意：默认打开文件的编码格式gbk所以需要指定打开编码格式utf-8

3.2 安装以及创建

1.根据标签名查找节点 soup.a 【注】只能找到第一个a soup.a.name soup.a.attrs 2.函数 (1).find(返回一个对象) find('a')：只找到第一个a标签find('a', title='名字') find('a', class_='名字') (2).find_all(返回一个列表) find_all('a') 查找到所有的a find_all(['a', 'span']) 返回所有的a和span find_all('a', limit=2) 只找前两个a (3).select(根据选择器得到节点对象)【推荐】 1.element eg:p 2..class eg:.firstname 3.#ideg:#firstname 4.属性选择器 [attribute] eg:li = soup.select('li[class]') [attribute=value] eg:li = soup.select('li[class="hengheng1"]') 5.层级选择器 element element div p element>element div>p element,element div,p eg:soup = soup.select('a,span')

3.3 节点定位

1.根据标签名查找节点 soup.a 【注】只能找到第一个a soup.a.name soup.a.attrs 2.函数 (1).find(返回一个对象) find('a')：只找到第一个a标签find('a', title='名字') find('a', class_='名字') (2).find_all(返回一个列表) find_all('a') 查找到所有的a find_all(['a', 'span']) 返回所有的a和span find_all('a', limit=2) 只找前两个a (3).select(根据选择器得到节点对象)【推荐】 1.element eg:p 2..class eg:.firstname 3.#ideg:#firstname 4.属性选择器 [attribute] eg:li = soup.select('li[class]') [attribute=value] eg:li = soup.select('li[class="hengheng1"]') 5.层级选择器 element element div p element>element div>p element,element div,p eg:soup = soup.select('a,span')

3.5 节点信息

(1).获取节点内容：适用于标签中嵌套标签的结构 obj.string obj.get_text()【推荐】 (2).节点的属性 tag.name 获取标签名 eg:tag = find('li) print(tag.name) tag.attrs将属性值作为一个字典返回 (3).获取节点属性 obj.attrs.get('title')【常用】 obj.get('title') obj['title']

3.6 使用示例
bs4.html

Title
张三
李四
王五
google嘿嘿嘿
百度哈哈哈呵呵呵

from bs4 import BeautifulSoup# 通过解析本地文件来将bs4的基础语法进行讲解# 默认打开的文件的编码格式是gbk 所以在打开文件的时候需要指定编码soup = BeautifulSoup(open('bs4.html', encoding='utf-8'), 'lxml')# 根据标签名查找节点# 找到的是第一个符合条件的数据print(soup.a)# google# 获取标签的属性和属性值print(soup.a.attrs)# {'href': '', 'id': '', 'class': ['a1']}# bs4的一些函数# （1）find# 返回的是第一个符合条件的数据print(soup.find('a'))# google# 根据title的值来找到对应的标签对象print(soup.find('a', title="a2"))# 百度# 根据class的值来找到对应的标签对象注意的是class需要添加下划线print(soup.find('a', class_="a1"))# google# （2）find_all返回的是一个列表并且返回了所有的a标签print(soup.find_all('a'))# [google, 百度]# 如果想获取的是多个标签的数据那么需要在find_all的参数中添加的是列表的数据print(soup.find_all(['a','span']))# [google, 嘿嘿嘿, 百张三,
李四
]# （3）select（推荐）# select方法返回的是一个列表并且会返回多个数据print(soup.select('a'))# [google, 百度]# 可以通过.代表class我们把这种操作叫做类选择器print(soup.select('.a1'))# [google]print(soup.select('#l1'))# [
张三
]# 属性选择器---通过属性来寻找对应的标签# 查找到li标签中有id的标签print(soup.select('li[id]'))# [
张三
,
李四
]# 查找到li标签中id为l2的标签print(soup.select('li[id="l2"]'))# [
李四
]# 层级选择器#后代选择器# 找到的是div下面的liprint(soup.select('div li'))# [
张三
,
李四
,
王五
]# 子代选择器#某标签的第一级子标签# 注意：很多的计算机编程语言中如果不加空格不会输出内容但是在bs4中不会报错会显示内容print(soup.select('div > ul > li'))# [
张三
,
李四
,
王五
]# 找到a标签和li标签的所有的对象print(soup.select('a,li'))# [
张三
,
李四
,
王五
, google, 百度]# 节点信息#获取节点内容obj = soup.select('#d1')[0]# 如果标签对象中只有内容那么string和get_text()都可以使用# 如果标签对象中除了内容还有标签那么string就获取不到数据而get_text()是可以获取数据# 我们一般情况下推荐使用get_text()print(obj.string)# Noneprint(obj.get_text())# 哈哈哈# 节点的属性obj = soup.select('#p1')[0]# name是标签的名字print(obj.name)# p# 将属性值左右一个字典返回print(obj.attrs)# {'id': 'p1', 'class': ['p1']}# 获取节点的属性obj = soup.select('#p1')[0]#print(obj.attrs.get('class'))# ['p1']print(obj.get('class'))# ['p1']print(obj['class'])# ['p1']

3.7 解析星巴克产品名称

import urllib.requesturl = 'https://www.starbucks.com.cn/menu/'response = urllib.request.urlopen(url)content = response.read().decode('utf-8')from bs4 import BeautifulSoupsoup = BeautifulSoup(content,'lxml')# //ul[@class="grid padded-3 product"]//strong/text()# 一般先用xpath方式通过google插件写好解析的表达式name_list = soup.select('ul[class="grid padded-3 product"] strong')for name in name_list:print(name.get_text())