参考资料:
W3C关于Xpah的教程
阮一峰关于Xpath的文章
崔庆才关于lxml的博客
lxml python 官方文档
Beautiful Soup官方文档
崔庆才关于bs的博客
pyquery
网页解析可以用正则表达式解析,也可以用解析库解析,利用其强大的方法可以完成各种解析,比如XPath解析以及CSS选择器解析。
1 Xpath及lxml
1.1 什么是Xpath
XPath全称为XML Path Language,即XML路径语言。是一门在 XML 文档中查找信息的语言。XPath 可用来在 XML 文档中对元素和属性进行遍历。他是一个标准的函数库,也是W3C的一个标准。
它最初是用在搜寻XML文档的,但是它同样适用于HTML文档的检索。
1.2 节点
简单说,xpath就是选择XML文件中节点的方法。 所谓节点(node),就是XML文件的最小构成单位,一共分成7种。
- element(元素节点)
- attribute(属性节点)
- text (文本节点)
- namespace (名称空间节点)
- processing-instruction (处理命令节点)
- comment (注释节点)
- root (根节点)
1.3 路径表达式
Xpath通过"路径表达式"(Path Expression)来选择节点。在形式上,"路径表达式"与传统的文件系统非常类似。其基本格式如下:
- 斜杠(/):作为路径内部的分割符,每一步都被斜杠分割。
- 同一个节点有绝对路径和相对路径两种写法(路径的表示方法写在表达式的最开头)。
- 绝对路径( / ):从根节点选取
- 相对路径(//):从任意位置选择节点,也可以不写//也不写也表示相对路径。
其中用/分割的成为步(step),步的语法如下:
轴名称::节点测试[谓语]
- 轴(axis):定义所选节点与当前节点之间的树关系
- 节点测试(node-test):识别某个轴内部的节点零个或者更多
- 谓语(predicate):更深入地提炼所选的节点集
/html/body/form/input 选取所有input节点
//input 选取所有的input节点
1.4 选择节点的基本规则
规则 | 描述 |
---|---|
nodename | 选取此节点的所有子节点 |
@ | 选取属性 |
. | 选取当前节点。 |
… | 选取当前节点的父节点。 |
1.5 谓语条件
所谓"谓语条件",就是对路径表达式的附加条件。所有的条件,都写在方括号"[]" 中,表示对节点进行进一步的筛选。
示例如下:
路径表达式 | 结果 |
---|---|
/bookstore/book[1] | 选取属于 bookstore 子元素的第一个 book 元素。 |
/bookstore/book[last()] | 选取属于 bookstore 子元素的最后一个 book 元素。 |
/bookstore/book[last()-1] | 选取属于 bookstore 子元素的倒数第二个 book 元素。 |
/bookstore/book[position()❤️] | 选取最前面的两个属于 bookstore 元素的子元素的 book 元素。 |
//title[@lang] | 选取所有拥有名为 lang 的属性的 title 元素。 |
/bookstore/book[price>35.00] | 选取 bookstore 元素的所有 book 元素,且其中的 price 元素的值须大于35.00。 |
/bookstore/book[price>35.00]/title | 选取 bookstore 元素中的 book 元素的所有 title 元素,且其中的 price 元素的值须大于 35.00。 |
1.6 通配符
- " * ":表示匹配任何元素节点。
- " @* ":表示匹配任何属性值。
- node():表示匹配任何类型的节点。
1.7 节点轴选择器
通过Xpath提供的轴选择器方法,可以获取子元素、兄弟元素、父元素、祖先元素等。
其中,轴可定义相对于当前节点的节点集。可用轴如下:
轴名称 | 结果 |
---|---|
ancestor | 选取当前节点的所有祖先节点。 |
ancestor-or-self | 选取当前节点的所有祖先节点以及当前节点本身。 |
attribute | 选取当前节点的所有属性。 |
child | 选取当前节点的所有子元素 。 |
descendant | 选取当前节点的所有后代元素。 |
descendant-or-self | 选取当前节点的所有后代元素以及当前节点本身。 |
following | 选取文档中当前节点的结束标签之后的所有节点。 |
namespace | 选取当前节点的所有命名空间节点。 |
parent | 选取当前节点的父节点。 |
preceding | 选取文档中当前节点的开始标签之前的所有节点。 |
preceding-sibling | 选取当前节点之前的所有同级节点。self选取当前节点。 |
示例如下:
例子 | 结果 |
---|---|
child::book | 选取所有属于当前节点的子元素的 book 节点。 |
attribute::lang | 选取当前节点的 lang 属性。 |
child::* | 选取当前节点的所有子元素 |
1.8 lxml插件的使用
(1) 安装lxml
pip install lxml
(2) 读取和初始化
首先我们使用 lxml 的 etree 库,然后利用etree.HTML 初始化,然后我们将其打印出来。在这里初始化库可以帮我们自动修正代码。
from lxml import etree
text = '''
<div>
<ul>
<li class="item-0"><a href="link1.html