xpath和python中的lxml模块
一、xpath
1、什么是xpath
xpath是在HTML\XML文档中用来查找信息的语言,可以对HTML\XML中的元素进行遍历查找
2、xpath语法
(1)基本用法
表达式 | 描述 |
---|---|
nodename | 选中该元素 |
/ | 从根节点选取、或者是元素和元素间的过度 |
// | 从匹配选择的当前节点选择文档中的节点,而不考虑他们的位置。 |
. | 选取当前节点 |
… | 选择当前节点的父节点 |
@ | 选取属性 |
text() | 选取文本 |
(2)通配符的使用:
xpath通配符 | 描述 |
---|---|
* | 匹配任何元素节点 |
@* | 匹配任何属性节点 |
3、具体用法
例:XML文档中数据如下
<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>
路径表达式 | 结果 |
---|---|
bookstore | 选择bookstore元素 |
/bookstore | 选择bookstore元素,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 | 选择bookstored的子元素的所有book元素 |
//book | 选择所有book子元素,而不管他们在文档中的位置 |
bookstore//book | 选择属于bookstore元素的后代的所有book元素,而不管他们位于bookstore之下的什么位置。 |
//book/title/@lang | 选择所有的book下面的title中的lang属性的值 |
//book/title/text() | 选择所有的book下面的title的文本。 |
//title[@lang=‘eng’] | 选择lang属性值为eng的所有title元素 |
/bookstore/book[1] | 选择属于bookstore子元素的第一个book元素 |
/bookstore/book[last()] | 选择属于bookstore子元素最后一个book元素 |
/bookstore/book[last()-1] | 选择属于bookstore子元素的倒数第二个book元素 |
/bookstore/book[position()>1] | 选择bookstore下面的book元素,从第二个开始选择 |
//book/title[text()=‘Harry Potter’] | 选择所有book下的title元素,仅选择文本为Harry Potter的title元素 |
/bookstore/book[price>35.00]/title | 选择bookstore元素中book元素的所有title元素,且其中的price元素的值须大于35 |
注意:在xpath中,第一个元素的位置是1,最后一个元素位置是last( ),倒数第二个数是 last( ) - 1
二、lxml
1、什么是lxml
lxml库是python中对 HTML\XML 的一个解析器,可以通过转换在python中使用xpath语法进行数据查找
一般使用lxml进行数据请求,都会先对数据进行分组,再去遍历提取
2、lxml使用方法
(1) 导入 lxml 中的 etree 库
from lxml import etree
(2) etree.HTML()
利用 etree.HTML 方法将字符串转化为Element对象,Element对象具有xpath方法,参数为bytes或str类型的数据,返回的数据类型为列表
# 把文件转换为Element对象,并赋给html
html = etree.HTML(text)
# 使用xpath筛选后,并返回筛选后的数据,保存到res_list中
res_list = html.xpath("xpath语法字符串")
-
html:通过 etree.HTML() 方法转换成了element对象
-
res_list:通过 element.xpath() 方法使用 xpath 语句取到了HTML\XML中需要的数据,并以列表的形式返回 (如果取到的是带标签的数据,则返回的列表中是element对象)
(3) etree.tostring()
把(2)中转换后的element对象转换成字符串,返回bytes类型的结果,可以通过 etree.tostring().decode() 进行转码