• python爬虫之xpath的基本使用

    使用XPath定位页面元素的方法，可达到与cssselector相似的功效。

    原文链接：https://www.cnblogs.com/lei0213/p/7506130.html

    一、简介

    　　XPath 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。

     　　参照

    二、安装

    1
    pip3 install lxml

    　

    三、使用

    　　1、导入

    1
    from lxml import etree

    　　2、基本使用

    1
    2
    3
    4
    5
    6
    7
    8
    9
    10
    11
    12
    13
    14
    15
    16
    17
    from lxml import etree
     
    wb_data = """
            <div>
                <ul>
                     <li class="item-0"><a href="link1.html">first item</a></li>
                     <li class="item-1"><a href="link2.html">second item</a></li>
                     <li class="item-inactive"><a href="link3.html">third item</a></li>
                     <li class="item-1"><a href="link4.html">fourth item</a></li>
                     <li class="item-0"><a href="link5.html">fifth item</a>
                 </ul>
             </div>
            """
    html = etree.HTML(wb_data)
    print(html)
    result = etree.tostring(html)
    print(result.decode("utf-8"))

    　　从下面的结果来看，我们打印机html其实就是一个python对象，etree.tostring(html)则是不全里html的基本写法，补全了缺胳膊少腿的标签。

    1
    2
    3
    4
    5
    6
    7
    8
    9
    10
    11
    <Element html at 0x39e58f0>
    <html><body><div>
                <ul>
                     <li class="item-0"><a href="link1.html">first item</a></li>
                     <li class="item-1"><a href="link2.html">second item</a></li>
                     <li class="item-inactive"><a href="link3.html">third item</a></li>
                     <li class="item-1"><a href="link4.html">fourth item</a></li>
                     <li class="item-0"><a href="link5.html">fifth item</a>
                 </li></ul>
             </div>
            </body></html>

    　　3、获取某个标签的内容(基本使用)，注意，获取a标签的所有内容，a后面就不用再加正斜杠，否则报错。

    　　写法一

    1
    2
    3
    4
    5
    6
    7
    8
    9
    10
    11
    12
    13
    html = etree.HTML(wb_data)
    html_data = html.xpath('/html/body/div/ul/li/a')
    print(html)
    for i in html_data:
        print(i.text)
     
     
    <Element html at 0x12fe4b8>
    first item
    second item
    third item
    fourth item
    fifth item

    　　写法二（直接在需要查找内容的标签后面加一个/text()就行）

    1
    2
    3
    4
    5
    6
    7
    8
    9
    10
    11
    12
    html = etree.HTML(wb_data)
    html_data = html.xpath('/html/body/div/ul/li/a/text()')
    print(html)
    for i in html_data:
        print(i)
     
    <Element html at 0x138e4b8>
    first item
    second item
    third item
    fourth item
    fifth item

    　　4、打开读取html文件

    1
    2
    3
    4
    5
    6
    #使用parse打开html的文件
    html = etree.parse('test.html')
    html_data = html.xpath('//*')<br data-filtered="filtered">#打印是一个列表，需要遍历
    print(html_data)
    for i in html_data:
        print(i.text)

    　　

    1
    2
    3
    4
    5
    6
    7
    8
    9
    10
    11
    12
    13
    14
    15
    html = etree.parse('test.html')
    html_data = etree.tostring(html,pretty_print=True)
    res = html_data.decode('utf-8')
    print(res)
     
    打印：
    <div>
         <ul>
             <li class="item-0"><a href="link1.html">first item</a></li>
             <li class="item-1"><a href="link2.html">second item</a></li>
             <li class="item-inactive"><a href="link3.html">third item</a></li>
             <li class="item-1"><a href="link4.html">fourth item</a></li>
             <li class="item-0"><a href="link5.html">fifth item</a></li>
         </ul>
    </div>

    　　5、打印指定路径下a标签的属性（可以通过遍历拿到某个属性的值，查找标签的内容）

    1
    2
    3
    4
    5
    6
    7
    8
    9
    10
    11
    html = etree.HTML(wb_data)
    html_data = html.xpath('/html/body/div/ul/li/a/@href')
    for i in html_data:
        print(i)
     
    打印：
    link1.html
    link2.html
    link3.html
    link4.html
    link5.html

    　　6、我们知道我们使用xpath拿到得都是一个个的ElementTree对象，所以如果需要查找内容的话，还需要遍历拿到数据的列表。

    　　查到绝对路径下a标签属性等于link2.html的内容。

    1
    2
    3
    4
    5
    6
    7
    8
    9
    html = etree.HTML(wb_data)
    html_data = html.xpath('/html/body/div/ul/li/a[@href="link2.html"]/text()')
    print(html_data)
    for i in html_data:
        print(i)
     
    打印：
    ['second item']
    second item

    　　7、上面我们找到全部都是绝对路径（每一个都是从根开始查找），下面我们查找相对路径，例如，查找所有li标签下的a标签内容。

    1
    2
    3
    4
    5
    6
    7
    8
    9
    10
    11
    12
    13
    html = etree.HTML(wb_data)
    html_data = html.xpath('//li/a/text()')
    print(html_data)
    for i in html_data:
        print(i)
     
    打印：
    ['first item', 'second item', 'third item', 'fourth item', 'fifth item']
    first item
    second item
    third item
    fourth item
    fifth item

    　　8、上面我们使用绝对路径，查找了所有a标签的属性等于href属性值，利用的是/---绝对路径，下面我们使用相对路径，查找一下l相对路径下li标签下的a标签下的href属性的值，注意，a标签后面需要双//。

    1
    2
    3
    4
    5
    6
    7
    8
    9
    10
    11
    12
    13
    html = etree.HTML(wb_data)
    html_data = html.xpath('//li/a//@href')
    print(html_data)
    for i in html_data:
        print(i)
     
    打印：
    ['link1.html', 'link2.html', 'link3.html', 'link4.html', 'link5.html']
    link1.html
    link2.html
    link3.html
    link4.html
    link5.html

    　　9、相对路径下跟绝对路径下查特定属性的方法类似，也可以说相同。

    1
    2
    3
    4
    5
    6
    7
    8
    9
    html = etree.HTML(wb_data)
    html_data = html.xpath('//li/a[@href="link2.html"]')
    print(html_data)
    for i in html_data:
        print(i.text)
     
    打印：
    [<Element a at 0x216e468>]
    second item

    　　10、查找最后一个li标签里的a标签的href属性

    1
    2
    3
    4
    5
    6
    7
    8
    9
    html = etree.HTML(wb_data)
    html_data = html.xpath('//li[last()]/a/text()')
    print(html_data)
    for i in html_data:
        print(i)
     
    打印：
    ['fifth item']
    fifth item

    　　11、查找倒数第二个li标签里的a标签的href属性

    1
    2
    3
    4
    5
    6
    7
    8
    9
    html = etree.HTML(wb_data)
    html_data = html.xpath('//li[last()-1]/a/text()')
    print(html_data)
    for i in html_data:
        print(i)
     
    打印：
    ['fourth item']
    fourth item

    　　12、如果在提取某个页面的某个标签的xpath路径的话，可以如下图：

    　　//*[@id="kw"] 

    　　解释：使用相对路径查找所有的标签，属性id等于kw的标签。
  • 相关阅读:
    Python基础之初始编码
    Excel图表编辑---表格移动，样式修改
    Python基础之Python的变量、常量
    刷题62. Unique Paths
    刷题56. Merge Intervals
    刷题55. Jump Game
    刷题53. Maximum Subarray
    刷题49. Group Anagrams
    刷题48. Rotate Image
    刷题46. Permutations
  • 原文地址：https://www.cnblogs.com/djlbolgs/p/12506317.html
Copyright © 2020-2023  润新知