python爬虫三大解析库之XPath解析库通俗易懂详讲

阿里云2000元红包!本站用户参与享受九折优惠!

目录

@(这里写自定义目录标题)

使用XPath解析库

1.简介

  XPath(全称XML Path Languang),即XML路径语言,是一种在XML文档中查找信息的语言。适用于XML和HTML文档的搜索。
  优点:提供了非常简洁明了的路径选择表达式。还提供了超过100个内建函数,可以匹配大部分的节点。
  官网:https://www.w3.org/TR/xpath/
  准备工作:需要安装lxml库。

2.常用规则

表达式功能
nodename选取此节点的所有子节点
/从当前节点选取直接子节点
//从当前节点选取直接子孙节点
.选取当前节点
..选取当前节点的父节点
@选取属性

3.etree模块解析网页简介

  etree是lxml库中的函数,可以自动修正HTML文本。下面是两种导入方法:
  直接读取网页代码进行解析:

from lxml import etree
text = '''
HTML文本
'''
# 将HTML文本转化为可以用etree解析的对象,
html = etree.HTML(text) # 结果是bytes类型,如果需要文本输出,则需要用decode()转码为Unicode编码

  读取文本文件进行解析(这里既会自动修正文件,又会补充DOCTYPE声明):

from lxml import etree
html = etree.parse('文本文件路径/文本文件名字.html',etree.HTMLParse()) # 结果是bytes类型,如果需要文本输出,则需要用decode()转码为Unicode编码

  用tostring()方法即可输出修正后的HTML代码。

4.选取所有节点,子节点和父节点

(1)选取所有节点

  一般用//开头的XPath规则,就会选择从当前节点开始的所有子孙节点,也就是所有节点。所以要匹配所有的节点代码如下:

a = html.xpath('//*')   # 选取所有的节点
b = html.xpath('//a')   # 选取所有的a节点,是一个例子

  这里的a和b,也就是xpath方法的返回值是一个列表,每个元素是Element类型,后面跟着节点的名称,是一个可迭代对象。要取出某一个对象,就需要用处理列表的方法进行。

(2)选取子节点

  选取子节点只需要在后面加上/节点名称(选择直接子节点,也就是与其相邻的第一个子节点),如果直接子节点没有就会报错,或者//节点名称(选择所有子孙节点),例子如下:

c = html.xpath('//li/a')    # 选取li节点的直接a子节点
d = html.xpath('//li//a')   # 选取li节点的所有a子节点
(3)选取父节点

  获取某个节点的父节点有两个方法,一个是用..,另一个是用parent::。
同理,如果没有父节点,就会报错,例子如下:

e = html.xpath('//li/../a') # 选取li节点的父节点下的a节点
f = html.xpath('//li/parent::/a')   # 选取li节点的父节点下的直接a节点
g = html.xpath('//li/parent::*/a')  # 选取li节点的父节点下的所有a节点

5.属性匹配,文本获取和属性多值匹配

(1)属性匹配

  在选取节点的时候,可以用@符号进行属性过滤,用[@属性名=”属性值”]进行实现,例子如下:

s = html.xpath('//li[@class="ming"]')   # 选取属性值class="ming"的所有li节点

  要注意的是里面的括号和外面的括号尽量一个用双引号,一个用单引号。

(2)文本获取

  我们用Xpath中的text()方法即可获取节点中的文本。要注意的是获取到的数据可能包括换行符’\n’。

(3)属性多值匹配

  要是属性有多个值的话,用上面的方法就无法匹配了。需要用到contains()函数,包含两个参数,即@属性名和属性值,例子如下:

# 源代码中为<li class="ming1 ming2">
s1 = html.xpath('//li[contains(@class,"ming1")]')   # 选取属性值class="ming1"的所有li节点
s2 = html.xpath('//li[contains(@class,"ming2")]')   # 选取属性值class="ming2"的所有li节点

6.属性获取和多属性匹配

(1)属性获取

  属性获取直接用@获取即可,例子如下:

s = html.xpath('//li/a/@href]') # 获取所有li节点下的直接a子节点的href属性
(2)多属性匹配

  有时候需要根据多个属性值确定一个节点,就需要同时匹配多个属性。要用and进行连接,可以把contains(@属性名,”属性名”)和@属性名=”属性值”混合使用,例子如下:

# 选取所有属性值class="a"和_target="ming"的li节点下的所有a节点的href属性
two_s = html.xpath('//li[contains(@class,"a") and @_target="ming"]//a/@href')

7.按次序选择

  有时候选择到的某些属性可能同时匹配了多个节点,但是要想得到其中的某一个节点,该如何获取呢?可以用中括号传入索引的方法获取特定次序的节点。下面是一些常用方法的总结:

方法功能
[n]选取第n个节点,序号是以1开头的
[last()]选取最后一个节点
[position() < n]选取位置小于n的节点,这里可以用算术运算符进行选择
[last() – n]选取倒数第n+1个节点,由于last()是倒数第一个,则last() – n就是倒数第n+1个

8.节点轴选择

  由于网页代码是一个DOM树,因此可以用相对的位置进行选择节点的子节点,兄弟节点,父节点或者祖先节点等。python的节点轴选择常用的如下:

节点轴选择节点
ancestor:: *获取所有祖先节点
ancestor::条件获取指定条件的祖先节点
attribute:: *获取节点的所有属性
attribute::属性名获取节点的指定属性
child:: *获取所有子节点
child::条件获取指定条件的子节点
descendent:: *获取所有的子孙节点
descendent::条件获取指定条件的子孙节点
following:: *获取当前节点之后的所有节点
following:: *[n]获取当前节点之后的第n个节点
following-sibing:: *获取当前节点之后的所有同级节点
following-sibing::条件获取当前节点之后指定条件的所有同级节点

9.开发者工具查看xpath选择器路径

  用F12打开开发者工具,按才Copy->Copy Xpath就可以把该段代码的XPath路径代码复制下来,很方便。

https://www.cnblogs.com/ITXiaoAng/p/11958605.html

「点点赞赏,手留余香」

    还没有人赞赏,快来当第一个赞赏的人吧!
0 条回复 A 作者 M 管理员
    所有的伟大,都源于一个勇敢的开始!
欢迎您,新朋友,感谢参与互动!欢迎您 {{author}},您在本站有{{commentsCount}}条评论