XPath概述
xpath是一门在XML和HTML文档中查找信息的语言,可用来在XML和HTML文档中对元素和属性进行遍历
xpath语法
使用方式
使用//获取整个页面当中的元素,然后写标签名,然后在写谓词进行提取
//div[@class='abc']
需要注意的知识点
1./和//的区别:/代表只获取直接子节点。//获取子孙节点。一般//用的比较多,当然也要视情况而定。
2.contains:有时候某个属性中包含了多个值,那么可以用contaions
函数
//div[contains(@class,'job_detail')]
3.谓词中的下标是从1开始的,不是从0开始的
使用lxml解析html代码
1.解析html字符串L使用lxml.etree.HTML
进行解析
htmlElement = etree.HTML(text)
print(etree.tostring(htmlElement,encoding='utf-8').decode("utf-8"))
2.解析html文件,使用lxml.etree.parse
进行解析。
htmlElement = etree.parse("tencent.html")
print(etree.tostring(htmlElement,encoding='utf-8').decode("utf-8"))
这个函数默认使用的是XML
解析器,所以如果碰到一些不规范的HTML
代码时就会解析错误,这时就要自己创建HTML
解析器
parser = etree.HTMLParser(encodeing='utf-8')
htmlElement = etree.parse("tencent.html",parser=parser)
print(etree.tostring(htmlElement,encoding='utf-8').decode("utf-8"))
lxml结合xpath注意事项
1.实用xpath
语法。应该使用Element.xpath
方法来执行xpath。
trs = html.xpath("//tr[position()>1]")
xpath函数
返回来的永远是一个列表
2.获取某个标签的属性
href = html.xpath("//a/@href")
#获取a标签的href属性对应的值
3.获取文本,是通过xpath
中的text()
函数。
address = tr.xpath("./td[4]/text()")[0]
4.在某个标签下,在执行xpath函数,获取这个标签下的子孙元素,那么应该在//之前加一个点,代码是在当前元素下获取
address = tr.xpath("./td[4]/text()")[0]