Python编程学习圈 2020-12-19
1. Xpath 基本语法1.1什么是Xpath
Xpath,全称 XML Path Language
,及XML路径语言,是一门在XML文档中查找信息的语言,最初是用来搜寻XML文档的,但是它同样适用于HTML文档的搜索。
1.2 常用规则
获取文本
表达式 描述 a/text() 获取 a 下的文本 a//text() 获取 a 下所有元素的文本 //a[text()='下一页'] 获取文本为下一页的 a 元素 获取属性
表达式 描述 nodename 选取此节点的所有子节点 / 从当前节点选取直接子节点 // 从当前节点选取子孙节点 . 选取当前节点 .. 选取当前节点的父节点 @ 选取属性 * 匹配任何元素节点 @* 匹配任何属性节点 node() 匹配任何类型的节点
1.3示例
路径表达式 | 结果 |
---|---|
/bookstore/book[1] (注意下标从1开始) | 选取属于 bookstore 子元素的第一个book元素 |
/bookstore/book[last()] | 选取属于 bookstore 子元素的最后一个 book 元素 |
/bookstore/book[last()-1] | 选取属于 bookstore 子元素的倒数第二个 book 元素 |
/bookstore/book[position()<3] | 选取属于 bookstore 子元素的 最前面两个 book 元素 |
//title[@lang] | 选取所有拥有名为 lang 的属性的title元素 |
//title[@lang='eng'] | 选取所有 lang 属性为 eng 的 title 元素 |
/bookstore/book[price>35.00] | 选取 bookstore 元素下所有 book 元素,它们的 price 元素值大于 35.00 |
/bookstore/book[price>35.00]/title | 选取 bookstore 元素中的 book 元素的所有 title 元素,且 price 元素的值大于35.00 |
/bookstore/* | 选取 bookstore 的所有子元素 |
//* | 选取文档中的所有元素 |
//node()/meta[]/@* | 选取 html 下面任意节点的 meta 节点的所有属性 |
//title[@*] | 选取所有带有属性的 title 元素 |
//book/title | // book/price | 选取 book 元素的所有 title 和 price 元素 |
//title | //price | 选取文档中的所有 title 和 price 元素 |
//bookstore/book/title | //price | 选取属于 bookstore 元素的 book 元素的所有 title 元素,以及文档中所有的 price 元素 |
2. lxml的使用
2.1 使用注意点
- lxml 能够修正 HTML 代码,但是可能会改错了,解决方法:
- 使用
etree.tostring
观察修改之后的html的样子,根据修改之后的html字符串写xpath
- 使用
- 提取页面数据的思路
- 先分组,取到一个包含分组标签的列表
- 遍历,取其中每一组进行数据的提取,不会造成数据的对应错乱
- lxml 能够接受bytes和str的字符串
2.2 简单示例
from lxml import etree
text = ''' <div> <ul>
<li><a href="link1.html">first item</a></li>
<li><a href="link2.html">second item</a></li>
<li><a href="link3.html">third item</a></li>
<li><a href="link4.html">fourth item</a></li>
<li><a href="link5.html">fifth item</a>
</ul> </div> '''
html = etree.HTML(text)
print(html) # <Element html at 0x1f1007c9d08>
print(etree.tostring(html).decode())
# 获取 class 为 item-1 li 下的 a 的 href
ret1 = html.xpath('//li[@class="item-1"]/a/@href')
print(ret1)
# 获取 class 为 item-1 li 下的文本
ret2 = html.xpath("//li[@class='item-1']/a/text()")
print(ret2)
# 把 url 和 文本组成字典
# 如果其中一个获取失败或者没有数据,则url 和 title 就不是原来对应的结果
for i in ret1:
item = {}
item['url'] = i
item['title'] = ret2[ret1.index(i)]
print(item)
# 改进
ret3 = html.xpath('//li[@class="item-1"]')
for i in ret3:
item = {}
item['url'] = i.xpath('./a/@href')[0] if len(i.xpath('./a/@href')) else None # ./a/@href 表示当前节点下的
item['title'] = i.xpath('./a/text()')[0] if len(i.xpath('./a/text()')) else None
print(item)