一、xpath选择器使用
# xpath: XPath 是一门在 XML 文档中查找信息的语言 # / :从根节点选取。 # // :不管位置，直接找 # /@属性名 # /text() # 会复制（）
doc='''
<html>
<head>
<base href='http://example.com/' />
<title>Example website</title>
</head>
<body>
<div id='images'>
<a href='image1.html' aa='bb'>Name: My image 1 <br /><img src='image1_thumb.jpg' /></a>
<a href='image2.html'>Name: My image 2 <br /><img src='image2_thumb.jpg' /></a>
<a href='image3.html'>Name: My image 3 <br /><img src='image3_thumb.jpg' /></a>
<a href='image4.html'>Name: My image 4 <br /><img src='image4_thumb.jpg' /></a>
<a href='image5.html' class='li li-item' name='items'>Name: My image 5 <br /><img src='image5_thumb.jpg' /></a>
<a href='image6.html' name='items'><span><h5>test</h5></span>Name: My image 6 <br /><img src='image6_thumb.jpg' /></a>
</div>
</body>
</html>
'''
from lxml import etree
html=etree.HTML(doc)
# html=etree.parse('search.html',etree.HTMLParser())
# 1 所有节点
# a=html.xpath('//*')
# 2 指定节点（结果为列表）
# a=html.xpath('//head')
# 3 子节点，子孙节点
# a=html.xpath('//div/a')
# a=html.xpath('//body/a') #无数据
# a=html.xpath('//body//a')
# 4 父节点
# a=html.xpath('//body//a[@href="image1.html"]/..')
# a=html.xpath('//body//a[1]/..')
# 也可以这样
# a=html.xpath('//body//a[1]/parent::*')
# 5 属性匹配
# a=html.xpath('//body//a[@href="image1.html"]')
# 6 文本获取(重要) /text() 取当前标签的文本
# a=html.xpath('//body//a[@href="image1.html"]/text()')
# a=html.xpath('//body//a/text()')
# 7 属性获取 @href 取当前标签的属性
# a=html.xpath('//body//a/@href')
# # 注意从1 开始取（不是从0）
# a=html.xpath('//body//a[1]/@href')
# 8 属性多值匹配
# a 标签有多个class类，直接匹配就不可以了，需要用contains
# a=html.xpath('//body//a[@class="li"]')
# a=html.xpath('//body//a[contains(@class,"li")]')
# a=html.xpath('//body//a[contains(@class,"li")]/text()')
# 9 多属性匹配
# a=html.xpath('//body//a[contains(@class,"li") or @name="items"]')
# a=html.xpath('//body//a[contains(@class,"li") and @name="items"]/text()')
# a=html.xpath('//body//a[contains(@class,"li")]/text()')
# 10 按序选择
# a=html.xpath('//a[2]/text()')
# a=html.xpath('//a[2]/@href')
# 取最后一个
# a=html.xpath('//a[last()]/@href')
# 位置小于3的
# a=html.xpath('//a[position()<3]/@href')
# 倒数第二个
# a=html.xpath('//a[last()-2]/@href')
# 11 节点轴选择
# ancestor：祖先节点
# 使用了* 获取所有祖先节点
# a=html.xpath('//a/ancestor::*')
# # 获取祖先节点中的div
# a=html.xpath('//a/ancestor::div')
# attribute：属性值
# a=html.xpath('//a[1]/attribute::*')
# a=html.xpath('//a[1]/@aa')
# child：直接子节点
# a=html.xpath('//a[1]/child::*')
# a=html.xpath('//a[1]/child::img/@src')
# descendant：所有子孙节点
# a=html.xpath('//a[6]/descendant::*')
# a=html.xpath('//a[6]/descendant::h5/text()')
# following:当前节点之后所有节点(兄弟节点和兄弟内部的节点)
# a=html.xpath('//a[1]/following::*')
# a=html.xpath('//a[1]/following::*[1]/@href')
# following-sibling:当前节点之后同级节点（只找兄弟）
# a=html.xpath('//a[1]/following-sibling::*')
# a=html.xpath('//a[1]/following-sibling::a')
# a=html.xpath('//a[1]/following-sibling::*[2]')
# a=html.xpath('//a[1]/following-sibling::*[2]/@href')
print(a)
# /
# //
# /@属性名
# /text()
//以后去查找标签，bs4的find， css，xpath（通用的）
二、selenium使用
# 为了解决requests无法直接执行JavaScript代码的问题 # # pip3 install selenium # 浏览器驱动:http://npm.taobao.org/mirrors/chromedriver/ # 驱动要跟浏览器版本对应 84.0.4147.105：驱动用84.0.4147.30/ # 下载完解压就是个exe（不同平台的可执行文件） # from selenium import webdriver # import time # # bro=webdriver.Chrome() # 得到一个谷歌浏览器对象， # # 指定使用跟那个驱动 # bro=webdriver.Chrome(executable_path='./chromedriver.exe') # 得到一个谷歌浏览器对象， # # time.sleep(2) # bro.get('https://www.baidu.com/') # 在地址栏里输入了百度 # time.sleep(2) # print(bro.page_source) # time.sleep(2) # bro.close() # 模拟登陆百度 # from selenium import webdriver # import time # bro=webdriver.Chrome(executable_path='./chromedriver.exe') # # bro.get('https://www.baidu.com/') # time.sleep(0.01) # input_k=bro.find_element_by_id('kw') # input_k.send_keys('美女') # 在框里写入美女 # time.sleep(2) # sou=bro.find_element_by_id('su') # 找到搜索按钮 # sou.click() # 点击搜索按钮 # time.sleep(4) # bro.close() # from selenium import webdriver # import time # bro=webdriver.Chrome(executable_path='./chromedriver.exe') # bro.implicitly_wait(5) # 隐士等待：找一个控件，如果控件没有加载出来，等待5s中 等待所有，只需要写着一句，以后找所有控件都按这个操作来 # bro.get('https://www.baidu.com/') # # d_button=bro.find_element_by_link_text('登录') # # d_button.click() # # login_u=bro.find_element_by_id('TANGRAM__PSP_11__footerULoginBtn') # login_u.click() # # username=bro.find_element_by_id('TANGRAM__PSP_11__userName') # username.send_keys('yxp654799481') # password=bro.find_element_by_id('TANGRAM__PSP_11__password') # password.send_keys('yxp997997') # time.sleep(3) # submit=bro.find_element_by_id('TANGRAM__PSP_11__submit') # # submit.click() # time.sleep(10) # # print(bro.get_cookies()) # # bro.close() # ##############选择器（find系列） # ===============所有方法=================== # 1、find_element_by_id # 通过id查找控件 # 2、find_element_by_link_text # 通过a标签内容找 # 3、find_element_by_partial_link_text # 通过a标签内容找，模糊匹配 # 4、find_element_by_tag_name # 标签名 # 5、find_element_by_class_name # 类名 # 6、find_element_by_name # name属性 # 7、find_element_by_css_selector # 通过css选择器 # 8、find_element_by_xpath # 通过xpaht选择器 # 强调： # 1、find_elements_by_xxx的形式是查找到多个元素，结果为列表 # 获取元素属性 # 重点 # tag.get_attribute('href') # 找当前控件 的href属性对的值 # tag.text # 获取文本内容 # 了解 # print(tag.id) # 当前控件id号 # print(tag.location) # 当前控件在页面位置 # print(tag.tag_name) # 标签名 # print(tag.size) #标签的大小 ####无界面浏览器（phantomjs） #谷歌浏览器支持不打开页面 # from selenium.webdriver.chrome.options import Options # from selenium import webdriver # chrome_options = Options() # chrome_options.add_argument('window-size=1920x3000') #指定浏览器分辨率 # chrome_options.add_argument('--disable-gpu') #谷歌文档提到需要加上这个属性来规避bug # chrome_options.add_argument('--hide-scrollbars') #隐藏滚动条, 应对一些特殊页面 # chrome_options.add_argument('blink-settings=imagesEnabled=false') #不加载图片, 提升速度 # # # chrome_options.add_argument('--headless') #浏览器不提供可视化页面. linux下如果系统不支持可视化不加这条会启动失败 # # # bro=webdriver.Chrome(chrome_options=chrome_options,executable_path='./chromedriver.exe') # bro.get('https://www.baidu.com/') # print(bro.page_source) # bro.close() ######元素交互 # tag.send_keys() # 往里面写内容 # tag.click() # 点击控件 # tag.clear() # 清空控件内容 #####执行js(有什么用?) # from selenium import webdriver # import time # bro=webdriver.Chrome(executable_path='./chromedriver.exe') # bro.implicitly_wait(5) # 隐士等待：找一个控件，如果控件没有加载出来，等待5s中 等待所有，只需要写着一句，以后找所有控件都按这个操作来 # bro.get('https://www.baidu.com/') # # # bro.execute_script('window.open()') # bro.execute_script('window.open()') # time.sleep(2) # bro.close() ####模拟浏览器前进后退 # from selenium import webdriver # import time # browser=webdriver.Chrome(executable_path='./chromedriver.exe') # browser.get('https://www.baidu.com') # browser.get('https://www.taobao.com') # browser.get('http://www.sina.com.cn/') # # browser.back() # time.sleep(1) # browser.forward() # # browser.close() #####获取cookie # bro.get_cookies() #### 选项卡管理(了解) # from selenium import webdriver # import time # browser=webdriver.Chrome() # browser.get('https://www.baidu.com') # browser.execute_script('window.open()') # # print(browser.window_handles) #获取所有的选项卡 # browser.switch_to_window(browser.window_handles[1]) # browser.get('https://www.taobao.com') # time.sleep(2) # browser.switch_to_window(browser.window_handles[0]) # browser.get('https://www.sina.com.cn') # browser.close() ##### 异常处理 # from selenium import webdriver # from selenium.common.exceptions import TimeoutException,NoSuchElementException,NoSuchFrameException # browser=webdriver.Chrome() # try: # # browser.get('') # except Exception as e: # print(e) # finally: # # 无论是否出异常，最终都要关掉 # browser.close() #####动作链（） #### 如何把屏幕拉倒最后（js控制） # bro.execute_script('window.scrollTo(0,document.body.offsetHeight)')