爬虫-xpath学习

1. xpath解析:最常用且最便捷高效的一种解析方式，具有通用性

2. xpath解析的原理：
   一、实例化一个etree对象，且需要将被解析的页面源码数据加载到该对象中
   二、调用etree对象中的xpath方法结合着xpath表达式实现标签定位和内容的捕获

3. 环境的安装:pip install lxml

4. 如何实例化一个etree对象:from lxml import etree
   一、将本地中的html文档中的源码数据加载到etree对象中:etree.parse(filePath)
   二、可以将从互联网上获取的源码数据加载到该对象中:etree.HTML(‘page_text’)
   三、xpath(‘xpath表达式’)

5. xpath表达式
   /:表示的是从根节点开始定位，第一个/表示从根节点开始定位，其余/表示层级
   //:表示多个层级，可以表示从任意位置开始定位
   属性定位：//div[@class=“song”]、tag[@attrName=“attrvalue”]
   索引定位：//div[@class=“song”]/p[3] 索引从1开始
   取文本：1./text() 获取标签中直系的文本内容 2.//text() 获取标签下所有的文本内容
   取属性：/@attrName ==>img/src 获取属性值

import requests
from bs4 import BeautifulSoup
import re
from lxml import etree
headers = {
    'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/84.0.4147.135 Safari/537.36'
}

if __name__ == "__main__":
    # 实例化好了一个etree对象，且将被解析的源码加载到了该对象中
    tree = etree.parse('test.html')  # 传入本地html
    # 根据层级定位捕获内容
    # r = tree.xpath('/html/head/div')  # 函数返回的是一个列表，并不是title对应的html内容，而实一个element类型的对象
    # r = tree.xpath('/html//div')
    # r = tree.xpath('//div')  # 三个表达式对应的结果相同,//表示从任意位置开始定位
    # r = tree.xpath('//div[@class="song"]')  # 属性定位，获取class=song的一个div标签
    # r = tree.xpath('//div[@class="song"]/p[3]') # 获取点三个p标签，索引从1开始
    # r = tree.xpath('//div[@class="tang"]//li[5]/a/text')[0]  # 获取a标签里面的文本数据，只能获取直系标签里的文本内容，如果文本存在于其子标签，则无法获取
    # r = tree.xpath('//li[7]//text()')  # 获取标签下所有的文本内容
    r = tree.xpath('//div[@class="song"]/img/@src')  # 获取src所对应的属性值