爬虫-Day6-xpath解析
-
1.什么是Xpath(xml path 语言) - 专门用来解析xml数据
- 不同的编程语言的程序如果想要进行数据交流,数据传输之前必须转换成通用的数据格式(常用的有两种:json、xml)
- Xpath解析数据的原理:通过提供你需要的标签在整个网页(xml)中的路径,来找到对应的标签,进一步获取标签内容或者标签属性。
- python基于xpath做数据解析的工具:lxml第三方库
-
2.xml数据 - 一种通用的数据格式
xml数据是以标签(元素)为单位,通过标签内容或者标签属性来提供数据。
xml语法:<标签名 属性名1=属性值1 属性名2=属性值2 …>标签内容</标签名>
-
3.xpath常用术语
树: 树结构(一个网页源代码,一个xml数据本质就是一个树结构)
节点: 本质就是标签
根节点: 最外层的哪个标签
节点内容: 双标签标签内容
节点属性: 标签属性 -
4.xpath语法
-
1.基于html数据或xml数据创建html或者xml对应的树并且获取根节点
# etree.HTML(网页源代码)、etree.XML(xml数据) f = open('files/超市.xml', encoding='utf-8') root = etree.XML(f.read()) f.close() response = request.get(url) root = etree.HTML(response.text)
-
2.基于节点通过路径获取标签
路径写法:
1.绝对路径: /路径 (路径必须从根节点开始往后写)
2.相对路径:./路径 (.表示当前节点; 谁去点的xpath,当前节点就是谁)
…/路径 (…表示当前节点的上层节点)
注意:如果路径是以 ‘./’ 开始的,‘./’ 可以省略
3.任意路径://路径注意:绝对路径和任意路径,在写路径和获取标签的时候跟xpath前面是哪个标签没有任何关系
```python # 练习:获取所有商品的商品名对应的标签 绝对路径 result = root.xpath('/supermarket/all_goods/goods/name') 相对路径 all_goods = root.xpath('./all_goods')[0] result = all_goods.xpath('./goods/name') 任意路径 result = all_goods.xpath('//name') ```
-
4.获取标签内容和标签属性
-
获取标签内容:获取标签的路径/text()
result = root.xpath(‘//goods/name/text()’)
-
获取标签属性值:获取标签的路径/@属性名
result = root.xpath(‘//staff/@position’)
-
-
5.谓语(条件)
-
1.位置相关谓语
[N] - 第N个标签(N是任意正整数)
[last()] - 获取最后一个标签
[last()-1] - 获取倒数第2个标签。这儿的1可以是其他任意的整数
[position()>N]、 [position()>=N]、[position()<N]、[position()<=N]result = root.xpath('//goods[1]/name/text()') 第一 result = root.xpath('//goods[last()]/name/text()') 倒数第一 result = root.xpath('//goods[last()-1]/name/text()') 倒数第二 result = root.xpath('//goods[position()<=3]/name/text()') 第三及以后
-
2.属性相关谓语
[@属性名=值] - 获取指定属性为指定值的标签
[@属性名] - 获取拥有指定属性的标签result = root.xpath('//goods[@class="c3"]/name/text()') result = root.xpath('//goods[@class]/name/text()')
-
3.子标签内容相关谓语
[子标签名>值]、[子标签名>=值]、[子标签名<值]、[子标签名<=值]、[子标签名=值]
result = root.xpath('//goods[pirce=1.5]/name/text()')
-
-
6.分支
路径1|路径2 - 获取的是多个路径中所有有效路径的结果
result = root.xpath('//goods/name/text()|//staffs/staff/text()')
-
7.通配符
xpath中可以用*来代表任意标签或者任意属性
获取good所有子项标签 result = root.xpath('//goods/*/text()') 获取所有@class="c2"的标签 result = root.xpath('//*[@class="c2"]') 获取第一个staff下所有的属性 result = root.xpath('//staff[1]/@*') 获取所为"c2"的标签 result = root.xpath('//*[@*="c2"]')
-