目录
前言：Xpath是在xml文档中搜索内容的一门语言，html是xml的子集。
一、Xpath解析xml
要解析的内容：
xml = """
<bookstore>
<book category="CHILDREN">
<title>Harry Potter</title>
<author>J K. Rowling</author>
<year>2005</year>
<price>29.99</price>
</book>
<book category="WEB">
<title>Learning XML</title>
<author>Erik T. Ray</author>
<year>2003</year>
<price>39.95</price>
</book>
</bookstore>
"""获取title里面的内容：
from lxml import etree
tree = etree.XML(xml)#加载xml内容
result = tree.xpath("/bookstore/book/title/text()")
print(result)
#['Harry Potter', 'Learning XML']- // 符号： 用于获取父类里的所有内容。
from lxml import etree
tree = etree.XML(xml)#加载xml内容
result = tree.xpath("/bookstore/book//text()")
print(result)
#['\n ', 'Harry Potter', '\n ', 'J K. Rowling', '\n ', '2005', '\n ', '29.99', '\n ', '\n ', 'Learning XML', '\n ', 'Erik T. Ray', '\n ', '2003', '\n ', '39.95', '\n ']- * 符号：通配符，截取所有节点里的内容。节点就是<title>....</title>这一类东西。
from lxml import etree
tree = etree.XML(xml)#加载xml内容
result = tree.xpath("/bookstore/book/*/text()")
print(result)
#['Harry Potter', 'J K. Rowling', '2005', '29.99', 'Learning XML', 'Erik T. Ray', '2003', '39.95']二、Xpath解析html
要解析的网页内容(文件名为a.html)：
<!DOCTYPE html>
<html lang="en">
<head>
<meta charset="UTF-8" />
<title>Title</title>
</head>
<body>
<ul>
<li><a href="http://www.baidu.com">百度</a></li>
<li><a href="http://www.google.com">谷歌</a></li>
<li><a href="http://www.sogou.com">搜狗</a></li>
</ul>
<ol>
<li><a href="python">Python</a> </li>
<li><a href="c++">C++</a> </li>
<li><a href="java">Java</a> </li>
</ol>
<div class="langue">语言</div>
<div class="program">编程</div>
</body>
</html>通过索引值来获取“百度”这个词：
from lxml import etree
tree = etree.parse("a.html")
#xpath的索引顺序是从1开始的。
result = tree.xpath("/html/body/ul/li[1]/a/text()")[0]
print(result)#百度通过属性值来获取“百度”这个词：
from lxml import etree
tree = etree.parse("a.html")
result = tree.xpath("/html/body/ul/li/a[@href='http://www.baidu.com']/text()")[0]
print(result)#百度遍历标签里的内容：
from lxml import etree
tree = etree.parse("a.html")
ul_li = tree.xpath("/html/body/ul/li")
for content in ul_li:
result = content.xpath("./a/text()")[0]
print(result)#百度 谷歌 搜狗拿取标签里的属性值：
from lxml import etree
tree = etree.parse("a.html")
result = tree.xpath("/html/body/ul/li[1]/a/@href")[0]
print(result)#http://www.baidu.com更快获取xpath路径：
打开网页页面，按f12，选中要选的标签，右键选择复制xpath。
扫一扫
1704
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
