python3解析库lxml,爬虫之xpath的基本使用
阅读目录
1、python库lxml的安装
2、XPath常用规则
(1)读取文本解析节点
(2)读取HTML文件进行解析
(3)获取所有节点
(4)获取子节点
(5)获取父节点
(6)属性匹配
(7)文本获取
(8)属性获取
(9)属性多值匹配
(10)多属性匹配
(11)XPath中的运算符
(12)按序选择
(13)节点轴选择
(14)案例应用:抓取TIOBE指数前20名排行开发语言
lxml是python的一个解析库,支持HTML和XML的解析,支持XPath解析方式,而且解析效率非常高
XPath,全称XML Path Language,即XML路径语言,它是一门在XML文档中查找信息的语言,它最初是用来搜寻XML文档的,但是它同样适用于HTML文档的搜索
XPath的选择功能十分强大,它提供了非常简明的路径选择表达式,另外,它还提供了超过100个内建函数,用于字符串、数值、时间的匹配以及节点、序列的处理等,几乎所有我们想要定位的节点,都可以用XPath来选择
XPath于1999年11月16日成为W3C标准,它被设计为供XSLT、XPointer以及其他XML解析软件使用,更多的文档可以访问其官方网站:https://www.w3.org/TR/xpath/
1、python库lxml的安装
windows系统下的安装:
#pip安装 pip3 install lxml
#wheel安装
#下载对应系统版本的wheel文件:http://www.lfd.uci.edu/~gohlke/pythonlibs/#lxml
pip3 install lxml-4.2.1-cp36-cp36m-win_amd64.whl
linux下安装:
yum install -y epel-release libxslt-devel libxml2-devel openssl-devel
pip3 install lxml
验证安装:$python3
import lxml
wb_data = """
<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>
"""
html = etree.HTML(wb_data)
html_data = html.xpath('/html/body/div/ul/li/a')
html_data = html.xpath('/html/body/div/ul/li/a/text()')
html_data = html.xpath('//*')<br>#打印是一个列表,需要遍历
html_data = html.xpath('/html/body/div/ul/li/a/@href')
html_data = html.xpath('/html/body/div/ul/li/a[@href="link2.html"]/text()')
html_data = html.xpath('//li/a/text()')
html_data = html.xpath('//li/a//@href')
html_data = html.xpath("//p[@class = 'p']|//p[@class='e']")
html_data = html.xpath('//div[@class = "nice"]/p')
html_data = html.xpath('//li/a[@href="link2.html"]')
html_data = html.xpath('//li[last()]/a/text()')
html_data = html.xpath('//li[last()-1]/a/text()')
print(html_data)
for i in html_data:
print(i)
2、XPath常用规则
XPath
XPath是一种在xml中查找信息的语言,可以用来在xml文档中对元素和属性进行遍历。
XPath使用路径表达式在xml文档中选取节点,这里注意需要逐级表现要选取节点的父子关系。
- XPath 符号
-
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文档中,而不考虑他们位置
. 选取当前节点。
… 选取当前节点的父节点
@ 选取属性
表示通配*
| 连接多个表达式,做并集操作 -
XPath路径表达
bookstore 选取bookstore元素的所有子节点。
/bookstore 选取根元素bookstore。
假如路径起始于正斜杠 。注释:假如路径起始于正斜杠 。注释:假如路径起始于正斜杠 。注释:假如路径起始于正斜杠 ( / ( / ),则此路径始 ,则此路径始 终代表到某元素的绝对路径!
bookstore/book 选取bookstore子元素中所有book元素。
//book选取所有book元素,而不管它们在文档中的位置。
bookstore//book bookstore 选择bookstore元素的后代中所有book元素,而不管它们位于bookstore下的什么位置
//@auth 选取所有名为auth的属性 -
XPath谓语
谓语表达了针对该层级节点的筛选条件,常见谓语如下
/book[2] 表示在该级选取第二个book节点
/book[last()] 表示在该级选取最后一个book节点
/book[position()<5] 表示在该级选取前四个book节点
/book[@auth] 表示在该级选取所有拥有auth属性的book节点
/book[@auth=“buka”] 表示在该级选取所有auth属性值为buka的book节点
/book[price>35.00] 表示在该级选取price子元素的值大于35的book节点
(1)读取文本解析节点
from lxml import etree
text='''
<div>
<ul>
<li class="item-0"><a href&