学爬虫前必备知识-数据提取（xpath）

xpath解析

最常用且最便捷高效的一种解析方式。通用性强。

• xpath解析原理

  • 1. 实例化一个etree的对象，且需要将被解析的页面源码数据加载到该对象中。

  • 2. 调用etree对象中的xpath方法，结合者xpath表达式实现标签的定位和内容的捕获。

• 环境安装

  pip install lxml

• 实例化一个etree对象

  from lxml import etree
  # 1.将本地的html文档中的源码数据加载到etree对象中
  res = etree.parse(filePath)
  # 2.可以将从互联网上获取的源码数据加载到该对象中
  page_text = request(url=URL地址, headers=headers).text
  res = etree.HTML(page_text)
  res.xpath('xpath表达式')

• xpath表达式

  选取节点：

  表达式	描述
  nodename	选取此节点的所有子节点。
  /	从根节点选取。
  //	从匹配选择的当前节点选择文档中的节点，而不考虑它们的位置。
  .	选取当前节点。
  ..	选取当前节点的父节点。
  @	选取属性。

  谓语（Predicates）

  路径表达式	结果
  /bookstore/book[1]	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]	选取最前面的两个属于 bookstore 元素的子元素的 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 title 元素，且这些元素拥有值为 eng 的 lang 属性。
  /bookstore/book[price>35.00]	选取 bookstore 元素的所有 book 元素，且其中的 price 元素的值须大于 35.00。
  /bookstore/book[price>35.00]/title	选取 bookstore 元素中的 book 元素的所有 title 元素，且其中的 price 元素的值须大于 35.00。

  选取未知节点

  通配符	描述
  *	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。

  选取若干路径

  路径表达式	结果
  //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。

定位原则：
1.id或者类名定位
2.元素文本定位
3.元素的唯一属性定位
4.元素的多个属性组合定位
5.找到已查找的元素，然后基于此元素的相对位置定位

常用的，约到不会的，上面找：
/ : 表示的是从根节点开始定位。表示的是一个层级
// : 表示的是多个层级。可以表示从任意位置开始的定位
属性定位：//div[@class='song'] tag[@attrName='attrValue']
索引定位: //div[@class='song']/p[3] 索引从1开始，并非是0开始。
取文本：/text()     --获取的是标签中直系的文本内容
      //text()     --标签中非直系的文本内容（所有的文本内容）
取属性：//attrName     img/@src
选取若干路径：  |