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。
目录
一、Xpath库
1.库简介
2.入门测试
3.基本方法
二、BeautifulSoup库
1.库简介
2.入门测试
3.基本方法
三、pyquery库
1.库简介
2.入门测试
3.基本方法
一、Xpath库
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：
| nodename | 选取此节点的所有子节点。 |
| / | 从根节点选取。 |
| // | 从匹配选择的当前节点选择文档中的节点，而不考虑它们的位置。 |
| . | 选取当前节点。 |
| .. | 选取当前节点的父节点。 |
| @ | 选取属性。 |
-
初始化html
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。
-
获取所有节点
print(html.xpath('//*')) # 获取所有的节点 print(html.xpath('//li')) # 获取所有li节点
-
子节点、子孙节点
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
-
父节点
# 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'))
-
属性匹配
# 找到class值为item-0是节点 print(html.xpath('//li[@class="item-0"]'))
-
文本获取
# 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()'))
-
属性获取
print(html.xpath('//li/a/@href')) # 找到li下a中的href属性值
-
属性多值匹配
#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()'))
二、BeautifulSoup库
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：
-
Tag：Tag通俗点讲就是HTML中的一个个标签，我们可以利用 soup 加标签名轻松地获取这些标签的内容，这些对象的类型是bs4.element.Tag。但是注意，它查找的是在所有内容中的第一个符合要求的标签。
# [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)
-
NavigableString：既然我们已经得到了标签的内容，那么问题来了，我们要想获取标签内部的文字怎么办呢？很简单，用 .string 即可，例如：
print(bs.title.string) print(type(bs.title.string))
-
BeautifulSoup：BeautifulSoup对象表示的是一个文档的内容。大部分时候，可以把它当作 Tag 对象，是一个特殊的 Tag，我们可以分别获取它的类型，名称，以及属性，例如：
print(type(bs.name)) print(bs.name) print(bs.attrs)
-
Comment：Comment 对象是一个特殊类型的 NavigableString 对象，其输出的内容不包括注释符号。
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：
-
.contents：获取Tag的所有子节点，返回一个list
# 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])
-
.children：获取Tag的所有子节点，返回一个生成器
for child in bs.body.children: print(child)
-
.descendants：获取Tag的所有子孙节点
-
.strings：如果Tag包含多个字符串，即在子孙节点中有内容，可以用此获取，而后进行遍历
-
.stripped_strings：与strings用法一致，只不过可以去除掉那些多余的空白内容
-
.parent：获取Tag的父节点
-
.parents：递归得到父辈元素的所有节点，返回一个生成器
-
.previous_sibling：获取当前Tag的上一个节点，属性通常是字符串或空白，真实结果是当前标签与上一个标签之间的顿号和换行符
-
.next_sibling：获取当前Tag的下一个节点，属性通常是字符串或空白，真是结果是当前标签与下一个标签之间的顿号与换行符
-
.previous_siblings：获取当前Tag的上面所有的兄弟节点，返回一个生成器
-
.next_siblings：获取当前Tag的下面所有的兄弟节点，返回一个生成器
-
.previous_element：获取解析过程中上一个被解析的对象(字符串或tag)，可能与previous_sibling相同，但通常是不一样的
-
.next_element：获取解析过程中下一个被解析的对象(字符串或tag)，可能与next_sibling相同，但通常是不一样的
-
.previous_elements：返回一个生成器，可以向前访问文档的解析内容
-
.next_elements：返回一个生成器，可以向后访问文档的解析内容
-
.has_attr：判断Tag是否包含属性
也可以通过BeautifulSoup进行搜索文档树：
-
find_all(name, attrs, recursive, text, **kwargs)
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()
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)
-
CSS选择器
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：
-
-
通过标签名查找
print(bs.select('title')) print(bs.select('a'))
-
通过类名查找
print(bs.select('.mnav'))
-
通过id查找
print(bs.select('#u1'))
-
组合查找
print(bs.select('div .bri'))
-
属性查找
print(bs.select('a[class="bri"]')) print(bs.select('a[href="http://tieba.baidu.com"]'))
-
直接子标签查找
t_list = bs.select("head > title") print(t_list)
-
兄弟节点标签查找
t_list = bs.select(".mnav ~ .bri") print(t_list)
-
获取内容
t_list = bs.select("title") print(bs.select('title')[0].get_text())
-
三、pyquery库
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
-
初始化
# 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)
-
基本css选择器
# id 为container,class为list下的所有li print(doc('.head_wrapper #u1 a'))
-
查找节点
# .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'))
-
遍历
# 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)
-
获取信息
# 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())
-
节点操作
# 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，下文开始介绍动态网页数据采集的相关库与实战，前文涉及的基础知识可参考下面链接：
Python网络爬虫数据采集实战（一）：基础知识
Python网络爬虫数据采集实战（二）：Requests和Re库
Python网络爬虫数据采集实战（三）：豆瓣电影top250爬取
我就知道你“在看”
神龙|纯净稳定代理IP免费测试>>>>>>>>天启|企业级代理IP免费测试>>>>>>>>IPIPGO|全球住宅代理IP免费测试
