Python--Xpath详解

Python--Xpath详解

1.2 解析库的使用–XPath:

XPath(XML Path Language)是一门在XML文档中查找信息的语言。

XPath 可用来在XML文档中对元素和属性进行遍历。

XPath 是 W3C XSLT 标准的主要元素，并且 XQuery 和 XPointer 都构建于 XPath 表达之上。

官方网址：http://lxml.de 官方文档：

http://lxml.de/api/index.html

python中如何安装使用XPath:

①: 安装 lxml 库。

②: from lxml import etree

③: Selector = etree.HTML(网页源代码)

④: Selector.xpath(一段神奇的符号)

1.2.1. 准备工作：

要使用XPath首先要先安装lxml库：

pip install lxml

谷歌浏览器配置XPath插件

配置参考链接

:https://jingyan.baidu.com/article/1e5468f94694ac484861b77d.html

如果安装报包装包无效,解决办法

:https://www.cnblogs.com/ljxh/p/11222898.html

1.2.2. XPath选取节点规则

1.2.3. 解析案例

案例1:

根据视频,实现csdn官网一级分类和二级分类的提取.

案例2:

首先创建一个html文件：my.html 用于测试XPath的解析效果

我的网页

我的常用链接
百度
京东
搜狐
新浪
淘宝

使用XPath解析说明

# 导入模块from lxml import etree# 读取html文件信息（在真实代码中是爬取的网页信息）f = open("./my.html",'r',encoding="utf-8")content = f.read()f.close()# 解析HTML文档，返回根节点对象html = etree.HTML(content)#print(html) #

# 获取网页中所有标签并遍历输出标签名result = html.xpath("//*")for t in result: print(t.tag,end=" ")#[html head title body h3 ul li a li a ... ... td]print()# 获取节点result = html.xpath("//li") # 获取所有li节点result = html.xpath("//li/a") # 获取所有li节点下的所有直接a子节点result = html.xpath("//ul//a") # 效果同上（ul下所有子孙节点）result = html.xpath("//a/..") #获取所有a节点的父节点print(result)# 获取属性和文本内容result = html.xpath("//li/a/@href") #获取所有li下所有直接子a节点的href属性值result = html.xpath("//li/a/text()") #获取所有li下所有直接子a节点内的文本内容print(result) #['百度', '京东', '搜狐', '新浪', '淘宝']result = html.xpath("//li/a[@class]/text()") #获取所有li下所有直接含有class属性子a节点内的文本内容print(result) #['百度', '搜狐', '新浪']#获取所有li下所有直接含有class属性值为aa的子a节点内的文本内容result = html.xpath("//li/a[@class='aa']/text()") print(result) #['搜狐', '新浪']#获取class属性值中含有shop的li节点下所有直接a子节点内的文本内容result = html.xpath("//li[contains(@class,'shop')]/a/text()") print(result) #['搜狐', '新浪']# 按序选择result = html.xpath("//li[1]/a/text()") # 获取每组li中的第一个li节点里面的a的文本result = html.xpath("//li[last()]/a/text()") # 获取每组li中最后一个li节点里面的a的文本result = html.xpath("//li[position()<3]/a/text()") # 获取每组li中前两个li节点里面的a的文本result = html.xpath("//li[last()-2]/a/text()") # 获取每组li中倒数第三个li节点里面的a的文本print(result) print("--"*30)# 节点轴选择result = html.xpath("//li[1]/ancestor::*") # 获取li的所有祖先节点result = html.xpath("//li[1]/ancestor::ul") # 获取li的所有祖先中的ul节点result = html.xpath("//li[1]/a/attribute::*") # 获取li中a节点的所有属性值result = html.xpath("//li/child::a[@href='http://www.sohu.com']") #获取li子节点中属性href值的a节点result = html.xpath("//body/descendant::a") # 获取body中的所有子孙节点aprint(result) result = html.xpath("//li[3]") #获取li中的第三个节点 result = html.xpath("//li[3]/following::li") #获取第三个li节点之后所有li节点result = html.xpath("//li[3]/following-sibling::*") #获取第三个li节点之后所有同级li节点for v in result: print(v.find("a").text)

解析案例

# 导入模块from lxml import etree# 读取html文件信息（在真实代码中是爬取的网页信息）f = open("./my.html",'r')content = f.read()f.close()# 解析HTML文档，返回根节点对象html = etree.HTML(content)# 1. 获取id属性为hid的h3节点中的文本内容print(html.xpath("//h3[@id='hid']/text()")) #['我的常用链接']# 2. 获取li中所有超级链接a的信息result = html.xpath("//li/a")for t in result: # 通过xapth()二次解析结果 #print(t.xpath("text()")[0], ':', t.xpath("@href")[0]) # 效果同上，使用节点对象属性方法解析 print(t.text, ':', t.get("href"))'''#结果:百度 : http://www.baidu.com京东 : http://www.jd.com搜狐 : http://www.sohu.com新浪 : http://www.sina.com淘宝 : http://www.taobao.com''''''HTML元素的属性： tag：元素标签名 text：标签中间的文本HTML元素的方法： find() 查找一个匹配的元素 findall() 查找所有匹配的元素 get(key, default=None) 获取指定属性值 items（）获取元素属性，作为序列返回 keys（）获取属性名称列表 value是（）将元素属性值作为字符串序列'''