注意:在使用xpath解析数据时,需要将数据来源改为是IE浏览器的USER-AGENT,否则会出现浏览器中可行的xpath代码,但是在程序中却用不了
这里提供IE9的header
Mozilla/5.0 (compatible; MSIE 9.0; Windows NT 6.1; Win64; x64; Trident/5.0)
XPath即为XML路径语言,它是一种用来确定XML(标准通用标记语言的子集)文档中某部分位置的语言。XPath基于XML的树状结构,提供在数据结构树中找寻节点的能力。 xPath 同样也支持HTML.
XPath 是一门小型的查询语言,这里我们将它与 python 爬虫相结合来介绍。
1. python 中如何安装使用XPath
step1: 安装 lxml 库。
step2: from lxml import etree
step3: Selector = etree.HTML(网页源代码)
step4: Selector.xpath(一段神奇的符号)
2. XPath 语法
XPath 使用路径表达式来选取 XML 文档中的节点或节点集。节点是通过沿着路径 (path) 或者步 (steps) 来选取的。
XPath 使用路径表达式在 XML 文档中选取节点。节点是通过沿着路径或者 step 来选取的。
假设有如下的文档:
<?xml version="1.0" encoding="ISO-8859-1"?>
<bookstore>
<book>
<title lang="eng">Harry Potter</title>
<price>29.99</price>
</book>
<book>
<title lang="eng">Learning XML</title>
<price>39.95</price>
</book>
</bookstore>
下面列出了最有用的路径表达式:
表达式 | 描述 |
---|---|
nodename | 选取此节点的所有子节点 |
/ | 从根节点选取 |
// | 从匹配选择的当前节点选择文档中的节点,而不考虑它们的位置 |
. | 选取当前节点 |
.. | 选取当前节点的父节点 |
@ | 选取属性 |
在下面的表格中,我们已列出了一些路径表达式以及表达式的结果:
路径表达式 | 结果 |
---|---|
bookstore | 选取 bookstore 元素的所有子节点 |
/bookstore | 选取根元素 bookstore。 注释:假如路径起始于正斜杠( / ),则此路径始终代表到某元素的绝对路径! |
bookstore/book | 选取属于 bookstore 的子元素的所有 book 元素 |
//book | 选取所有 book 子元素,而不管它们在文档中的位置 |
bookstore//book | 选择属于 bookstore 元素的后代的所有 book 元素,而不管它们位于 bookstore 之下的什么位置 |
//@lang | 选取名为 lang 的所有属性 |
鉴于篇幅的,只列出了 xpath 的部分语法,更多实例,可以参考 w3chool 的资料
3. python 中的使用示例
假设有如下 html 源码:
<div id="content">
<ul id="useful">
<li>有效信息1</li>
<li>有效信息2</li>
<li>有效信息3</li>
</ul>
<ul id="useless">
<li>无效信息1</li>
<li>无效信息2</li>
<li>无效信息3</li>
</ul>
</div>
<div id="url">
<a href="http://cighao.com">陈浩的博客</a>
<a href="http://cighao.com.photo" title="陈浩的相册">点我打开</a>
</div>
我们假设把上面的源码已经赋值给了字符串变量 html
:
from lxml import etree
# 假设已经存在 html 变量,值为上面的源码
selector = etree.HTML(html)
# 提取 li 中的有效信息123
content = selector.xpath('//ul[@id="useful"]/li/text()')
for each in content:
print(each)
#提取 a 中的属性
link = selector.xpath('//a/@href')
for each in link:
print(each)
title = selector.xpath('//a/@title')
for each in title:
print(each)