爬虫入门到放弃系列02：html网页如何解析

提示：扫一扫查出行
【扫一扫了解最新限行尾号】
复制提示

前言

上一篇文章讲了爬虫的概念，本篇文章主要来讲述一下如何来解析爬虫请求的网页内容。

一个简单的爬虫程序主要分为两个部分，请求部分和解析部分。请求部分基本一行代码就可以搞定，所以主要来讲述一下解析部分。对于解析，最常用的就是xpath和css选择器，偶尔也会使用正则表达式。

不论是xpah还是css，都是通过html元素或者其中某些属性来选中符合条件的元素节点。

以斗罗大陆的部分html为例。

<div class="detail_video">

    <div class="video_title_collect cf">

        <h1 class="video_title_cn">

            <a target="_blank" _stat="info:title" href="http://v.qq.com/x/cover/m441e3rjq9kwpsc.html">斗罗大陆</a>

            <span class="title_en" itemprop="alternateName"></span>

            <i class="dot"></i>

            <span class="type">动漫</span>

        </h1>

    </div>

    <div class="video_type cf">

        <div class="type_item">

            <span class="type_tit">别　名:</span>

            <span class="type_txt">斗罗大陆动画版</span>

        </div>

        <div class="type_item">

            <span class="type_tit">地　区:</span>

            <span class="type_txt">内地</span>

        </div>

        <div class="type_item">

            <span class="type_tit">更新集数:</span>

            <span class="type_txt">更新至141集</span>

        </div>

    </div>

    <div class="video_type video_type_even cf">

        <div class="type_item">

            <span class="type_tit">出品时间:</span>

            <span class="type_txt">2018</span>

        </div>

        <div class="type_item">

            <span class="type_tit">更新时间:</span>

            <span class="type_txt">每周六10:00更新1集</span>

        </div>

    </div>

    <div class="video_tag cf">

        <span class="tag_tit">标　签: </span>

        <div class="tag_list">

            <a class="tag" href="http://v.qq.com/x/search?q=%E6%88%98%E6%96%97" target="_blank" _stat="info:tag">战斗</a>

        </div>

    </div>

    <div class="video_desc">

        <span class="desc_tit">简　介：</span>

        <span class="desc_txt">

			    <span class="txt _desc_txt_lineHight" itemprop="description">唐门外门弟子唐三，因偷学内门绝学为唐门所不容，跳崖明志时却发现没有死，反而以另外一个身份来到了另一个世界，一个属于武魂的世界，名叫斗罗大陆。这里没有魔法，没有斗气，没有武术，却有神奇的武魂。这里的每个人，在自己六岁的时候，都会在武魂殿中令武魂觉醒。武魂有动物，有植物，有器物，武魂可以辅助人们的日常生活。而其中一些特别出色的武魂却可以用来修炼并进行战斗，这个职业，是斗罗大陆上最为强大也是最荣耀的职业“魂师”。

小小的唐三在圣魂村开始了他的魂师修炼之路，并萌生了振兴唐门的梦想。当唐门暗器来到斗罗大陆，当唐三武魂觉醒，他能否在这片武魂的世界再铸唐门的辉煌？?

			    </span>

	    </span>

    </div>

</div>

css选择器

很多学习过前端的小伙伴对css选择器比较熟悉， .是class选择器，#是id选择器 。这里挑最几个常用的来讲一下，其他用法可百度。

常见语法

以上就是一些比较常用的css选择器。其中里面的元素a和span只用来举例，可以替换成任意的html元素，href属性也可以替换成元素的其他属性。

样例说明

还是用之前斗罗大陆的程序来说明一下。

import requests

from bs4 import BeautifulSoup

url = 'https://v.qq.com/detail/m/m441e3rjq9kwpsc.html'

# 发起请求，获取页面

response = requests.get(url)

# 解析html，获取数据

soup = BeautifulSoup(response.text, 'html.parser')

# .video_title_cn a  表示class=video_title_cn元素下的<a>

# 这里指的就是<h1 class="video_title_cn">下的<a>，就一个<a>，所以[0]取出此元素

name = soup.select(".video_title_cn a")[0].string

# span.type表示属性class=type的<span>元素

# 这里指的是<span class="type">动漫</span>此元素

category = soup.select("span.type")[0].string

# class=type_txt的<span>有多个，所以根据下标取出列表中对应的元素

# 这里指的是<span class="type_txt">斗罗大陆动画版</span>

alias = soup.select("span.type_txt")[0].string

# <span class="type_txt">内地</span>  [1]代表是第二个元素

area = soup.select("span.type_txt")[1].string

# <span class="type_txt">更新至141集</span>

parts =soup.select("span.type_txt")[2].string

# <span class="type_txt">2018</span>

date = soup.select("span.type_txt")[3].string

# <span class="type_txt">每周六10:00更新1集</span>

update = soup.select("span.type_txt")[4].string

# <a class="tag" href="http://v.qq.com/x/search?q=%E6%88%98%E6%96%97" target="_blank" _stat="info:tag">战斗</a>

tag = soup.select("a.tag")[0].string

#  <span class="txt _desc_txt_lineHight">

describe = soup.select("span._desc_txt_lineHight")[0].string

print(name, category, alias, parts, date, update, tag, describe, sep='\n')

soup.select()根据css规则选择元素，返回包含一个或多个元素的list。

因为html中class="type_txt"的span元素有五个，所以返回了五个元素的列表。遍历列表，每个元素可以通过 string 属性，来输出元素中间的文本内容；每个元素通过 attrs 属性，可以获取标签的属性，返回一个字典。

小技巧

如果你要问，不会css选择器能不能写爬虫啊，我肯定不会回答我帮你写啊，我只能告诉你可以！！

复制的css选择器如下：

body > div:nth-child(3) > div.site_container.container_detail_top > div > div > div > div:nth-child(3) > div:nth-child(1) > span.type_txt

我们用这个测试一下：

虽然看起来比较长，但还是正确地选择到了span元素。

xpath

xpah全名Xml Path Language(xml路径语言)，说实话，我没用过xpath，现学现卖。

如图是比较常见的xpath语法，我从参考文档、使用测试到整理成表格一共用了半个多小时。从节点选择路径来说，一般相对路径用的比较多。元素后面[]里面的内容就是if条件。

同时，css选择器无法选择元素的父元素，而xpath可以通过../来选择元素的父元素。

样例说明

这个斗罗大陆爬虫样例是博客园的网友从评论区写的，非常感谢。

import requests

from lxml.html import etree

url = 'https://v.qq.com/detail/m/m441e3rjq9kwpsc.html'

response = requests.get(url)

response_demo = etree.HTML(response.text)

# 选择_stat属性为info:title的a元素，/text()表示输出选中的a元素的文本内容

# <a _stat="info:title>斗罗大陆</a>，结果是输出 斗罗大陆

name = response_demo.xpath('//a[@_stat="info:title"]/text()')

# *表示所有节点，所有class="type_txt"的节点的文本

type_txt = response_demo.xpath('//*[@class="type_txt"]/text()')

tag = response_demo.xpath('//*[@class="tag"]/text()')

describe = response_demo.xpath('//*[@class="txt _desc_txt_lineHight"]/text()')

print(name, type_txt, tag, describe, sep='\n')

查看这些变量的值：

这些变量的类型也是list，也需要用下标或者遍历来取出里面的值。

小技巧

和css一样，不过选择的是Copy Xpath。

复制的xpath：

/html/body/div[2]/div[1]/div/div/div/div[3]/div[1]/span[2]

测试结果：

不过要注意的是，xpath一定要对起始点元素做好选择。

上面三个不一样的xpath输出了同样的结果，起始点元素的选择决定了xpath的复杂度。

性能比较

在原生爬虫中，lxml封装的xpath，相对于bs4封装的css性能要好，所以很多人选择使用xpath。在爬虫框架scrapy中，其底层使用的是parsel封装的选择器，css规则最终也会转换成xpath去选择元素，所以css会比xpath慢，因为转换是需要耗时的，但是微乎其微，在实际爬虫程序中基本上感知不到。