首页　>　文章列表　>　如何使用Python中的xpath、JsonPath和bs4?

如何使用Python中的xpath、JsonPath和bs4?

Python XPath jsonpath
477 2023-05-10

Python xpath,JsonPath,bs4怎么使用

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/h2/text()

6.逻辑运算

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

//title | //price

1.3 示例

xpath.html

<!DOCTYPE html>

<html lang="en">

<head>

    <meta charset="UTF-8"/>

    <title>Title</title>

</head>

<body>

    <ul>

        <li id="l1" class="class1">北京</li>

        <li id="l2" class="class2">上海</li>

        <li id="d1">广州</li>

        <li>深圳</li>

    </ul>

</body>

</html>

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li

li_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li

li_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.request

from lxml import etree

url = '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 = tree.xpath('//input[@id="su"]/@value')

print(value)

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.html   1

# https://sc.chinaz.com/tupian/qinglvtupian_page.html

import urllib.request

from lxml import etree

def 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 request

def get_content(request):

    response = urllib.request.urlopen(request)

    content = response.read().decode('utf-8')

    return content

def 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 = src_list[i]

        url = 'https:' + src

        urllib.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：

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 json

import jsonpath



obj = 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price

price_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.#id

			eg:#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.#id

			eg:#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']

(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

<!DOCTYPE html>

<html lang="en">

<head>

    <meta charset="UTF-8">

    <title>Title</title>

</head>

<body>



    <div>

        <ul>

            <li id="l1">张三</li>

            <li id="l2">李四</li>

            <li>王五</li>

            <a href="" id=" rel="external nofollow"  rel="external nofollow"  rel="external nofollow"  rel="external nofollow"  rel="external nofollow"  rel="external nofollow"  rel="external nofollow"  rel="external nofollow"  rel="external nofollow" " class="a1">google</a>

            <span>嘿嘿嘿</span>

        </ul>

    </div>





    <a href="" title=" rel="external nofollow"  rel="external nofollow"  rel="external nofollow"  rel="external nofollow"  rel="external nofollow"  rel="external nofollow" a2">百度</a>



    <div id="d1">

        <span>

            哈哈哈

        </span>

    </div>



    <p id="p1" class="p1">呵呵呵</p>

</body>

</html>

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)  # <a class="a1" href="" id=" rel="external nofollow"  rel="external nofollow"  rel="external nofollow"  rel="external nofollow"  rel="external nofollow"  rel="external nofollow"  rel="external nofollow"  rel="external nofollow"  rel="external nofollow" ">google</a>

# 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'))  # <a class="a1" href="" id=" rel="external nofollow"  rel="external nofollow"  rel="external nofollow"  rel="external nofollow"  rel="external nofollow"  rel="external nofollow"  rel="external nofollow"  rel="external nofollow"  rel="external nofollow" ">google</a>

# 根据title的值来找到对应的标签对象

print(soup.find('a', title="a2"))  # <a href="" title=" rel="external nofollow"  rel="external nofollow"  rel="external nofollow"  rel="external nofollow"  rel="external nofollow"  rel="external nofollow" a2">百度</a>



# 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"))  # <a class="a1" href="" id=" rel="external nofollow"  rel="external nofollow"  rel="external nofollow"  rel="external nofollow"  rel="external nofollow"  rel="external nofollow"  rel="external nofollow"  rel="external nofollow"  rel="external nofollow" ">google</a>



# （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'))  # [<a class="a1" href="" id=" rel="external nofollow"  rel="external nofollow"  rel="external nofollow"  rel="external nofollow"  rel="external nofollow"  rel="external nofollow"  rel="external nofollow"  rel="external nofollow"  rel="external nofollow" ">google</a>, <a href="" title=" rel="external nofollow"  rel="external nofollow"  rel="external nofollow"  rel="external nofollow"  rel="external nofollow"  rel="external nofollow" a2">百度</a>]



# 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']))  # [<a class="a1" href="" id=" rel="external nofollow"  rel="external nofollow"  rel="external nofollow"  rel="external nofollow"  rel="external nofollow"  rel="external nofollow"  rel="external nofollow"  rel="external nofollow"  rel="external nofollow" ">google</a>, <span>嘿嘿嘿</span>, <a href="" title=" rel="external nofollow"  rel="external nofollow"  rel="external nofollow"  rel="external nofollow"  rel="external nofollow"  rel="external nofollow" a2">百</a><spa哈</span>]



# limit的作用是查找前几个数据

print(soup.find_all('li', limit=2))  # [<li id="l1">张三</li>, <li id="l2">李四</li>]



# （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'))  # [<a class="a1" href="" id=" rel="external nofollow"  rel="external nofollow"  rel="external nofollow"  rel="external nofollow"  rel="external nofollow"  rel="external nofollow"  rel="external nofollow"  rel="external nofollow"  rel="external nofollow" ">google</a>, <a href="" title=" rel="external nofollow"  rel="external nofollow"  rel="external nofollow"  rel="external nofollow"  rel="external nofollow"  rel="external nofollow" a2">百度</a>]



# 可以通过.代表class  我们把这种操作叫做类选择器

print(soup.select('.a1'))  # [<a class="a1" href="" id=" rel="external nofollow"  rel="external nofollow"  rel="external nofollow"  rel="external nofollow"  rel="external nofollow"  rel="external nofollow"  rel="external nofollow"  rel="external nofollow"  rel="external nofollow" ">google</a>]



print(soup.select('#l1'))  # [<li id="l1">张三</li>]



# 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]'))  # [<li id="l1">张三</li>, <li id="l2">李四</li>]



# 查找到li标签中id为l2的标签

print(soup.select('li[id="l2"]'))  # [<li id="l2">李四</li>]



# 层级选择器

#  后代选择器

# 找到的是div下面的li

print(soup.select('div li'))  # [<li id="l1">张三</li>, <li id="l2">李四</li>, <li>王五</li>]



# 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'))  # [<li id="l1">张三</li>, <li id="l2">李四</li>, <li>王五</li>]



# 找到a标签和li标签的所有的对象

print(soup.select(

    'a,li'))  # [<li id="l1">张三</li>, <li id="l2">李四</li>, <li>王五</li>, <a class="a1" href="" id=" rel="external nofollow"  rel="external nofollow"  rel="external nofollow"  rel="external nofollow"  rel="external nofollow"  rel="external nofollow"  rel="external nofollow"  rel="external nofollow"  rel="external nofollow" ">google</a>, <a href="" title=" rel="external nofollow"  rel="external nofollow"  rel="external nofollow"  rel="external nofollow"  rel="external nofollow"  rel="external nofollow" a2">百度</a>]



# 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)  # None

print(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.request

url = 'https://www.starbucks.com.cn/menu/'

response = urllib.request.urlopen(url)

content = response.read().decode('utf-8')

from bs4 import BeautifulSoup

soup = 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())