• python爬虫之xpath的基本使用


    python爬虫之xpath的基本使用

     转发: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 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 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>#打印是一个列表,需要遍历
    print(html_data)
    for 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 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 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 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 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 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 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 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。

    复制代码
    #!/usr/bin/env python
    # -*- coding:utf-8 -*-
    from scrapy.selector import Selector, HtmlXPathSelector
    from scrapy.http import HtmlResponse
    html = """<!DOCTYPE html>
    <html>
        <head lang="en">
            <meta charset="UTF-8">
            <title></title>
        </head>
        <body>
            <ul>
                <li class="item-"><a id='i1' href="link.html">first item</a></li>
                <li class="item-0"><a id='i2' href="llink.html">first item</a></li>
                <li class="item-1"><a href="llink2.html">second item<span>vv</span></a></li>
            </ul>
            <div><a href="llink2.html">second item</a></div>
        </body>
    </html>
    """
    response = HtmlResponse(url='http://example.com', body=html,encoding='utf-8')
    # hxs = HtmlXPathSelector(response)
    # print(hxs)
    # hxs = Selector(response=response).xpath('//a')
    # print(hxs)
    # hxs = Selector(response=response).xpath('//a[2]')
    # print(hxs)
    # hxs = Selector(response=response).xpath('//a[@id]')
    # print(hxs)
    # hxs = Selector(response=response).xpath('//a[@id="i1"]')
    # print(hxs)
    # hxs = Selector(response=response).xpath('//a[@href="link.html"][@id="i1"]')
    # print(hxs)
    # hxs = Selector(response=response).xpath('//a[contains(@href, "link")]')
    # print(hxs)
    # hxs = Selector(response=response).xpath('//a[starts-with(@href, "link")]')
    # print(hxs)
    # hxs = Selector(response=response).xpath('//a[re:test(@id, "id+")]')
    # print(hxs)
    # hxs = Selector(response=response).xpath('//a[re:test(@id, "id+")]/text()').extract()
    # print(hxs)
    # hxs = Selector(response=response).xpath('//a[re:test(@id, "id+")]/@href').extract()
    # print(hxs)
    # hxs = Selector(response=response).xpath('/html/body/ul/li/a/@href').extract()
    # print(hxs)
    # hxs = Selector(response=response).xpath('//body/ul/li/a/@href').extract_first()
    # print(hxs)
     
    # ul_list = Selector(response=response).xpath('//body/ul/li')
    # for item in ul_list:
    #     v = item.xpath('./a/span')
    #     # 或
    #     # v = item.xpath('a/span')
    #     # 或
    #     # v = item.xpath('*/a/span')
    #     print(v)
    复制代码
  • 相关阅读:
    按enter执行click或者搜索问题
    网络搜集-获取文件大小
    js获取文件大小
    JQuery UI Autocomplete与jquery.autocomplete.js
    如何在 IIS 中设置 HTTPS 服务
    什么是大数据(二)—涉及行业
    什么是大数据(一)
    未能加载文件或程序集“ICSharpCode.SharpZipLib, Version=0.86.0.518, Culture=n
    安装数据库出现错误vc_red.msi找不到
    网页兼容性注意事项
  • 原文地址:https://www.cnblogs.com/happyyangyanghappy/p/11017883.html
Copyright © 2020-2023  润新知