一、XPath简介
XPath即为XML路径语言(XMLPathLanguage),它是一种用来确定XML文档中某部分位置的语言。XPath被开发者用来当作小型查询语言,基于XML的树状结构,用于定位元素节点、属性节点、文本节点,提供在数据结构树中找寻节点的能力。
二、安装lxml库
直接输入以下命令进行安装
pip install lxml
但是一般这样安装可能会出现很多问题,可以采用以下的方法进行解决:
1.下载并安装whl安装包
从http://www.lfd.uci.edu/~gohlke/pythonlibs/#lxml下载与系统位数(32位或64位)、Python版本对应的whl安装包,比如我的python就是3.7的版本,操作系统是64位,那我可以下载lxml‑4.6.3‑cp37‑cp37m‑win_amd64.whl的版本,大家根据自己的版本来进行下载,比如我下载到D盘的根目录下,可以输入以下命令进行安装:
pip install d:\lxml‑4.6.3‑cp37‑cp37m‑win_amd64.whl
2.安装Anaconda的python发行版本
ananconda默认会安装lxml,可以从官网中下载与本地操作系统位数匹配的安装包。下载完成后安装即可。
三、xpath语法基础
首先从lxml中导入etree模块
from lxml import etree
html='''<ul class="clearfix lavalamp">
<div class="lavalamp-object" id="nav">第一个div</div>
<li class="navitem-index current"><a href="/index">首页</a></li>
<li class="lavalamp-item"><a href="/guonei">国内</a></li>
<li class="lavalamp-item"><a href="/guoji">国际</a></li>
<li class="lavalamp-item"><a href="/mil">军事</a></li>
<li class="lavalamp-item"><a href="/finance">财经</a></li>
<li class="lavalamp-item"><a href="/ent">娱乐</a></li>
<li class="lavalamp-item"><a href="/sports">体育</a></li>
</ul>'''
首先初始化
selector=etree.fromstring(html)
常用的Xpath路径表达式的属性含义如下:
属性 | 描述 | 实例 |
---|---|---|
标签名 | 获取当前标签下的所有节点 | ul |
/ | 从根节点选取 | /ul,选取根路径下的ul |
// | 从任意位置选取 | //a,选取所有的a标签 |
. | 选取当前节点 | |
… | 选取当前节点的父节点 | |
@ | 属性 | //a/@href,选取所有a标签的href属性 |
如果要查找所有的li标签,可以使用/从根ul开始查找,然后查找所有的li
all_li=selector.xpath("/ul/li")
for li in all_li:
print(li)
结果:
<Element li at 0x16f4e9a0448>
<Element li at 0x16f4e9a0488>
<Element li at 0x16f4e9a04c8>
<Element li at 0x16f4e9a0508>
<Element li at 0x16f4e9a0548>
<Element li at 0x16f4e9a05c8>
<Element li at 0x16f4e9a0608>
打印出来的结果为7行Element Li对象,么法晓得获取的内容,那我们可以使用etree.tostring方法打印输出的结果,同时必须使用decode(“utf-8”)解码,否则中文乱码
all_li=selector.xpath("/ul/li")
for li in all_li:
print(etree.tostring(li,encoding="utf-8").decode("utf-8"))
获取所有的li标签可以不使用’/‘从根节点开始查找,直接用’//'获取所有的li节点
all_li=selector.xpath("//li")
for li in all_li:
print(etree.tostring(li,encoding="utf-8").decode("utf-8"))
提取所有的li标签下a标签的href属性,可以使用@获取属性
all_href=selector.xpath("//a/@href")
print(all_href)
需要提取第一个li下的A标签,可以通过索引来控制。需要注意的是索引是从1开始。//li[1]代表选取任意位置li种的第一个
first_li=selector.xpath("//li[1]/a")[0]
print(etree.tostring(first_li,encoding="utf-8").decode("utf-8"))
获取文本内容。需要获取第三个li下a标签中的内容“国际”两个字,可以通过text()来进行获取。
a_text=selector.xpath("//li[3]/a/text()")
print(a_text)
四、通过属性查找元素
使用属性查找元素,一般格式为标签名[@属性名=‘属性值’]。也可以使用通配符 * ,代表任意标签,格式为*[@属性名=‘属性值’]。
#通过属性id查找元素
nav_text=selector.xpath("//div[@id='nav']/text()")
print(nav_text)
#通过使用CSS选择器class来进行定位
lavalamp_text=selector.xpath("//li[@class='lavalamp-item']/a/text()")
print(lavalamp_text)
结果:['国内', '国际', '军事', '财经', '娱乐', '体育']
第一个li中引用了两个类,但在使用Xpath表达式时必须当成一个整体,不能引用部分的class名
navitem=selector.xpath("//li[@class='navitem-index current']/a/text()")
print(navitem)
结果:['首页']
基础练习
from lxml import etree
import requests
import pandas as pd
try:
url = "http://www.baidu.com"
headers={
"User-Agent":"Mozilla/5.0 Chrome/77.0.3865.90 Safari/537.36"
}
r = requests.get(url,headers=headers) # 发送请求,获取响应
r.encoding = r.apparent_encoding # 从内容中分析出的响应内容编码方式
r.raise_for_status() # 发出请求后返回的状态码(正常为200)
R = r.text
selector = etree.HTML(R)
title_list=[]
href_list=[]
for i in range(0,7):
a = selector.xpath("//*[@id='s-top-left']/a")#获取id为s-top-left的标签下所有的a标签
title_list.append(a[i].xpath("text()")[0])#获取内容标题
href_list.append(a[i].xpath("@href")[0])#获取内容链接
df=pd.DataFrame({'标题':title_list,'url':href_list})
print(df)
except Exception as error:
print(error)