XPath爬取LEED项目得分表

题图来自日本摄影师RK镜头下的重庆

重庆某绿色建筑示范楼

自2006年开始美国绿色建筑协会要求参评项目全部转为电子注册网上提交，并会在USGBC网站上公布每个参评LEED项目的详细信息。以重庆某绿色建筑示范楼为例，由下图可见，该项目的专属页面提供了包括项目名称、地址、所在城市、认证项目及认证等级、获得认证的时间等在内的项目概况，以及项目的评分明细，并可下载到该项目的pdf格式Scorecard得分明细表。为便于后续进一步分析，考虑利用XPath解析出网页中的表格。

LEED项目页面及PDF得分表

该项目参评了针对既有建筑节能的LEED O+M: Existing Buildings v3 认证，得分66分，于2018年7月获Gold（金级）认证。
LEED OM: EB从项目选址、能效、材料、室内环境等8个方面对参评项目加以评分，总分110分，各评价指标评分子项得分之和若超过40分便可取得相应等级的LEED认证。评价指标具体设置如下表所示。

评分项	设置得分
Sustainable Sites（可持续性场地）	26
Water Efficiency（节水增效）	14
Energy & Atmosphere（能源与大气）	23
Material & Resources（材料与资源）	10
Indoor Environmental Quality（室内环境品质）	15
Innovation（创新与设计）	6
Regional Priority Credits（因地制宜）	4
Integrative Process Credits. （项目合作）	2

40-49	50-59	60-79	80+
Cerfified（认证级）	Silver（银级）	Gold（金级）	Platinum（白金级）

为爬取得分明细表的内容，对该项目页面加以分析可见，得分明细表位于类名为"sh-content plainlist"的ul项目下。每行表单包括评分子项名称、相应的描述、具体分值三列。找出各列所对应的XPath路径后剩下的工作就比较简单了。

页面分析

代码如下：

import pandas as pd
import requests
from lxml import etree

url = "https://www.usgbc.org/projects/green-demonstration-building"
res = requests.get(url, timeout=10)
html = etree.HTML(res.text)

table_list = html.xpath('//ul[@class="sh-content plainlist"]')

items = table_list[0].xpath('//strong/a[1]/text()')
items = [x.replace('\n','').strip() for x in items ] #替换文本中的\n字符

descript =table_list[0].xpath('//li/text()[2]')
descript = [str for str in descript if not str == '\n'] #删去空字符

scores = table_list[0].xpath('//span[@class="num"]/text()')
scores = [x.replace('\n','') for x in scores ]

scoreboard = pd.DataFrame({'item': items ,
                           'descript': descript ,
                           'scores': scores })

运行代码得到的结果。

XPath解析出的得分表

从结果来看，XPath已将得分明细表完整无误的解析。通过split()命令还可方便的提取出第三列中'/'前的实际得分，‘/’后的是每个评价指标评分子项的满分分值。对于后续的数据分析而言，关心的是本项目在每个评价指标上的实际得分，亦即上图中分子位置上的数值。
有一点小小的遗憾是，项目页面上的评分子项的得分格式并未完全统一。如“因地制宜”等评分子项中（上图右侧58-60），网页中没有该评分子项的设置分数，而是只给出了本项目的得分。 这一点也不是XPath的能力不足，而是网页根本没有给出。
如果实在是想要保留评分规则中对于每个评价指标的设置分值的话，可以查阅相应的LEED 2009 for Existing Buildings: Operations & Maintenance 评分规则。该分值设置也可该项目的Scorecard.pdf文件获得，或许下步可考虑python解析Scorecard.pdf文件来获取得分表。