简介:
在 XML 文档中查找信息的语言,【可以对XML 文档中对元素和属性进行遍历】
从XML文档中抽取信息
语法
最常用的路径表达式
/ 从跟节点选择
// 从当前节点开始选择,而不考虑位置
. 选取当前节点
.. 选取当前节点的父节点
@ 选取属性
常用路径表达式以及表达式的结果
谓语用来查找某个特定的节点或者包含某个指定的值的节点,被嵌在方括号中
== 选取未知节点==
* 提取所有节点
@* 提取所有带属性的节点
选取若干路径,通过在路径表达式中使用“|”运算符,您可以选取若干个路径
XPath的运算符
lxml库
lxml 是 一个HTML/XML的解析器,主要的功能是如何解析和提取 HTML/XML 数据。
lxml和正则一样,也是用 C 实现的,是一款高性能的 Python HTML/XML 解析器,我们可以利用XPath语法,来快速的定位特定元素以及节点信息。
== lxml数据转换 ==
原数据
str = '''<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>
</ul>
</div>
'''
数据类型转换
#数据类型转换成HTML
tree = etree.HTML(varsa) #返回<Element html at 0x23fa4a8fa88>
#打印tree对象中的数据
mydata = etree.tostring(tree,encoding='utf-8') # (二进制数据)
mydata = etree.tostring(tree,encoding='utf-8').decode('utf-8') # (str数据)
print(mydata)
print(type(mydata))
原数据转换成html后新增了html和body标签,如下
<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>
简单数据提取过程
1.拿到数据
2.数据类型转换成html
3.用xpath语法定位元素和属性
语法整合
etree.HTML(变量) #数据类型转换成html
etree.parse() #读取外部文件 ,返回的数据是ElementTree
etree.tostring #打印出Element对象的内容
tree.xpath() #返回列表数据
tree.xpath('./title/text()') #找到title标签的文本内容
tree.xpath('//ol/li[contains(@class,"h")]/text()') # 获取数据,根据属性值中含有某个字符
tree.xpath('//ol/li[last()-2]/text()') #获取数据,通过定位位置
tree.xpath('//div[@id="pp"]/div[1]/a/@ href') #获取属性值数据
tree.xpath('//li[@id="tata"][@class="hehe"]/text()') #多重条件查询
#管道符号作用:都查询,查不到不报错,只给出查到的
tree.xpath('//li[@id="tata"][@class="hehe"]/text() | //li[@class="tanshui"]/text()')
#xpath的+ - * /