一、xpath解析原理
- 实例化一个etree的对象, 且需要将被解析的页面源码数据加载到该对象中.
- 通过调用etree对象中的xpath方法, 结合xpath表达式实现标签的定位和内容的解析
二、使用步骤
1. 实例化一个etree对象
- 导入 : from lxml import etree
三、xpath表达式
由于html代码书写不规范,不符合xml解析器的使用规范导致 lxml.etree.XMLSyntaxError 错误
解决办法 :
- 创建解析器,同时增加parser参数
parser = etree.HTMLParser(encoding='utf-8')
tree = etree.parse('test.html', parser=parser)
1. xpath表达式
- / : 表示的是从根节点开始定位, 表示的是一个层级
- // : 表示的是多个层级, 可以表示从任意位置开始定位
1. 属性定位
- 语法 :
r = tree.xpath("//div[@属性名='属性值']")
from lxml import etree
parser = etree.HTMLParser(encoding='utf-8')
tree = etree.parse('test.html', parser=parser)
# 获取任意位置的div, 并且div的class属性为song
r = tree.xpath("//div[@class='song']")
2. 索引定位
# 获取任意位置class属性为song的div,里面的第三个p标签
r = tree.xpath("//div[@class='song']/p[3]")
3. 取文本
/text()
: 获取的是标签中直系的文本内容//text()
: 获取的是标签中所有的文本内容
from lxml import etree
parser = etree.HTMLParser(encoding='utf-8')
tree = etree.parse('test.html', parser=parser)
r = tree.xpath("//div[@class='tang']//li[2]/a/text()")[0]
3. 取属性
- 语法 :
/@arrtName
r = tree.xpath("//div[@class='tang']//img/@src")[0]
2. 获取title
from lxml import etree
parser = etree.HTMLParser(encoding='utf-8')
tree = etree.parse('test.html', parser=parser)
title = tree.xpath("/html/head/title")
print(title)