对于网页的节点来说,定义id,class或其他属性。而且节点之间还有层级关系,在网页中通过XPath或CSS选择器来定位一个或多个节点,对于这种解析库非常多,其中比较强大的库有lmxl,Beautiful Soup、pyquery等,
目录
XPath概览
XPath,全程XML Path Language ,即XML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,它提供了非常简介明了的路径选择表达式,另外,他还提供了超过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与1999年11月16日成为W3C标准,他被设计为供XSTL、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/
XPath常用规则
表达式 | 描述 |
---|---|
nodename | 选取此节点的所有子节点 |
/ | 从当前节点选取直接子节点 |
// | 从当前节点选取子孙节点 |
. | 选取当前节点 |
.. | 选取当前节点的父节点 |
@ | 选取属性 |
这里列出了XPath的常用匹配规则,示例://title[@lang='eng']
选择所有名称为title,同时属性的值为eng的节点
from lxml import etree
text = """
<div>
<ul>
<li class="item-O"><a href="linkl. 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 hrer="link5.html">fifth item</a>
</ul>
</div>
"""
htlm = etree.HTML(text)
result = etree.tostring(htlm)
print(result.decode("utf-8"))
结果:
<html><body><div>
<ul>
<li class="item-O"><a href="linkl. 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=""><a hrer="">fifth item</a>
</li></ul>
</div>
</body></html>
首先导入lxml库的etree模块,然后声明一段HTML文本,调用HTML类进行初始化,这杨就构成了一共XPath解析对象,这里需要主义的是,HTML文本中的最后一共li节点是没有闭合的,但是etree模块可以自动修正HTML文本。我们调用totstring() 方法输出即可修正后的HTML代码,但是结果是bytes类型。利用decode()方法将其转成str类型
也可以使用文本解析
from lxml import etree
html = etree.parse('./test.html',etree.HTMLParser())
resutl = etree.tostring(html)
print(resutl.decode("utf-8"))
结果:
<!DOCTYPE html PUBLIC "-//W3C//DTD HTML 4.0 Transitional//EN" "http://www.w3.org/TR/REC-html40/loose.dtd">
<html><body><div>
<ul>
<li class="item-O"><a href="linkl. html">first item</a></li>
<li class="item-1&