昨天跟微信上一不认识的同是搞数据技术的圈友聊天，我说最近在写一个R语言爬虫系列，想把Python爬虫那一套用R实现看看，刚开始在讲HTML和XML的内容。这位朋友是前端转数据库开发，说了一句HTML和XML这些知识还不简单，能看得懂英文的都能看得懂HTML代码，HTML连编程语言都不是，以现在搞互联网技术年轻人的学习能力，一上午就可以搞定。

借着这位大兄弟的鼓舞，louwill的学习激情又被燃到很高，今天就来继续更新R语言爬虫系列的第二期内容。在上一期里，louwill给大家介绍了HTML的基本语法和如何在R中用XML包对HTML进行解析。今天继续跟大家介绍一下一个跟HTML很像的内容——XML。

在此之前，louwill和广大吃瓜群众一样，看到XML和JSON这样的字眼就一脸懵逼，一直心想这都是些什么鬼，好好的excel数据不好吗。年轻人就是naive，总喜欢对自己不懂的东西指手画脚哈哈。好了，扯淡完毕，回归正题，下面就郑重地跟大家介绍XML以及与之相关的查询语言XPath表达式。

XML

吃瓜群众看标题点进来心里一定是这么想的：什么是XML？它有什么用？XML和HTML都什么区别和联系吗？我又该怎样使用XML？

XML（eXtensible Markup Language）全称叫做可扩展标记语言，首先它和HTML一样，是一门标记语言，那它就该有标记语言的全部特征，这是XML的共性。XML当然必须也有自己的特性，XML是被设计用来传输和存储数据的，这和HTML用来显示数据大不一样，所以XML又有网络数据交换最流行格式的美誉。先看一段XML代码：

上面的XML代码提供了三名NBA球员的一些基本信息，大家可以仔细阅读一下这个简短的代码，相信任何懂一点英文的朋友都可以毫无困难的读懂其中包含的数据。正如之前所提到的，XML首先是一门标记语言，它的语法特性和HTML别无二致，XML里的值和名字都被包裹在有含义的标签里，这三名球员都带有主队、姓名和所在城市信息，这种缩进的框架结构能够让我们轻易地看懂XML文档的架构。文档以根元素<nbaplayer>开始，也以它结束。

所以综上我们就了解了，XML是一种类似于HTML的标记语言，它的设计宗旨是传输数据，而非显示数据，在编写XML文档时，我们需要自行定义标签。作为一种纯文本格式，任何有处理纯文本能力的软件都可以拿来处理XML。

下面再简单介绍一下XML的语法规则，XML的语法其实和HTML很像，我们就以上面那个XML代码例子来说明：

1.  一个XML文档永远以声明该文档的一行代码来开头：

<?xml version=”1.0” encoding=”ISO-8859-1”?>

version=”1.0”用来声明该XML文档的版本号，目前就两个版本：1.0和1.1。encoding=”ISO-8859-1”表明声明编码格式。一提到编码，相信有着各种乱码经验的R使用者都应该有体会。

2. XML文档必须要有一个根元素，这个根元素包裹了整个文档，在上面的例子里，根元素是：

<nbaplayer>

   ...

<\nbaplayer>

XML是用来传输数据的，而这个数据通常是放在具体的XML元素中的。

3. 一个XML元素由起始标签和具体内容来定义，一个元素可以用一个闭合标签来结束，也可以在起始标签里用一个斜杠（/）来闭合。元素里可以包含其他元素、属性、具体数据等其他内容。我们来看上述例子中<city>元素：

<city name=”houston”> rockets </city>

它的组成部分有：

元素标题  city

起始标签  <city>

终止标签  </city>

数据值    <rockets>

关于XML还有其他的一些像注释、特殊字符命名、事件驱动等细节知识louwill在这里就不再细说了，感兴趣的朋友可以参考XML官方网站https://www.xml.com/。

如何在R语言中解析XML

在R语言中解析XML和解析HTML 是一样的道理，就是对XML原件产生一个能保留住原始文档结构的表征，然后据此从这些文件中提取想要的信息。在R语言中解析XML的过程实际上包括两个步骤，首先XML文件的符号序列会被读取并从元素中创建层次化的C语言树形数据结构，然后这个数据结构会通过使用处理器翻译为R语言的数据结构。

R中导入和解析XML文档的包就叫XML包，我们可以使用xmlParse( )函数来解析XML。和htmlParse( )函数较为类似，且看例子：

library(XML)

nbadata <- xmlParse(file="D:/Rdata/nbadata.xml")

nbadata 

<?xml version="1.0" encoding="ISO-8859-1"?>
<nbaplayer>
  <team>
    <city name="houston"> rockets</city>
    <player> james harden</player>
  </team>
  <team>
    <city name="boston"> celtics</city>
    <player> kyrie irving</player>
  </team>
  <team>
    <city name="goldenstates"> worriors</city>
    <player> stephen curry</player>
  </team>
</nbaplayer>

简单的一个函数就可以使得一个完整的XML文档被解析到R里面去了。至于如何提取HTML和XML中我们想要的数据信息，方式有多种，但最方便快捷的那还是XPath表达式。

XPath表达式

所谓XPath表达式，并不是什么的高大上的东西，就是一种可以查询标记语言的方法，你可以把它理解为SQL一样的东西，louwill认为它比正则表达式要容易多了。简单来说，XPath表达式就是选取XML或者HTML文件中节点的方法，这里的节点，通常是指XML/HTML文档中的元素。

XPath通过路径表达式（Path Expression）来选择节点信息，跟文件系统路径一样使用“/”符号来分割路径。先来看看XPath表达式选择节点的基本规则：

nodename：选择该节点的所有子节点

“/”：选择根节点

“//”：选择任意节点

“@”：选择属性

还是以前面的XML文档作为例子：

nbaplayer：选取nbaplayer元素所有的子节点

/nbaplayer：选取跟节点nbaplayer

//team：选择所有的team子元素

//@name：选择所有的name属性值

除此之外，我们还可以通过给表达式附加一些条件来选择指定的数据，所有的筛选条件都可以附在一个[ ]符号中：

/nbaplayer/team[1]：选择nbaplayer下第一个team子元素

//city[@name]：选择带有name属性的team节点

基本的XPath表达式的语法内容就这么多啦，还有一些诸如通配符、多路径选择之类的大家可以自己去查找，这里就不继续展开了。熟练掌握XPath表达式是提高爬虫代码效率的重要因素，大家不妨对此重点学习一下。

SelectorGadget自动生成XPath表达式

另外，在最后louwill还想向大家推荐一款Chrome 插件：SelectorGadget。这是一款可以快速定位节点信息的CSS选择器插件，可以方便快捷的为大家生成网页中想要提取的信息的XPath表示，大家可以直接复制拿来放到R爬虫代码中去。下面就简单介绍一下这款神器的使用方法。

打开任意一款搜索引擎输入SelectorGadget，选择搜索结果中像下面这样的链接：

然后把点开的网页拉到底部，将带有下划线的蓝色字样的SelectorGadget拖拽到你的浏览器收藏夹：

  这样SelectorGadget选择器就安装完毕啦！

下次想要使用SelectorGadget来生成XPath表达式的时候，我们就可以在收藏夹点击一下它即可完成启动。以NBA官网为例说明一下：

如上图红色箭头所示，在右下角选择XPath表达式后，网页会自动跳出一个框框，里面的代码就是XPath表达式啦！把它复制你的代码函数里就可以了！

参考资料：

Automated Data Collection with R

往期精彩：

一个数据科学狂热者的学习历程