day06 xpath

xpath

1、xpath安装与使用

安装

• 安装lxml库
  pip install lxml -i pip源

2、解析流程与使用

解析流程

• 实例化一个etree的对象，把即将被解析的页面源码加载到该对象
• 调用该对象的xpath方法结合着不同形式的xpath表达进行标签定位和数据提取

使用

• 导入lxml.etree
  from lxml import etree
• etree.parse()
  解析本地html文件
  html_tree = etree.parse(‘XX.html’)
• etree.HTML()(建议)
  解析网络的html字符串
  html_tree = etree.HTML(html字符串)
• html_tree.xpath()
  使用xpath路径查询信息，返回一个列表

注意：如果lxml解析本地HTML文件报错可以安装如下添加参数

parser = etree.HTMLParser(encoding="utf-8")
selector = etree.parse('./lol_1.html',parser=parser)
result=etree.tostring(selector)

3、xpath语法

XPath 是一门在 XML 文档中查找信息的语言。XPath 用于在 XML 文档中通过元素和属性进行导航。

• 路径表达式
  表达式 描述
  / 从根节点选取。
  // 从匹配选择的当前节点选择文档中的节点，而不考虑它们的位置。
  ./ 当前节点再次进行xpath
  @ 选取属性。
  实例
  在下面的表格中，我们已列出了一些路径表达式以及表达式的结果：
  路径表达式 结果
  /html 选取根元素。注释：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！
  //li 选取所有li 子元素，而不管它们在文档中的位置。
  //ul//li 选择属于 ul元素的后代的所有 li元素，而不管它们位于 ul之下的什么位置。
  节点对象.xpath(‘./div’) 选择当前节点对象里面的第一个div节点
  //@href 选取名为 href 的所有属性。
• 谓语（Predicates）
  谓语用来查找某个特定的节点或者包含某个指定的值的节点。
  谓语被嵌在方括号中。
  实例
  在下面的表格中，我们列出了带有谓语的一些路径表达式，以及表达式的结果：
  路径表达式 结果
  /ul/li[1] 选取属于 ul子元素的第一个 li元素。
  /ul/li[last()] 选取属于 ul子元素的最后一个 li元素。
  /ul/li[last()-1] 选取属于 ul子元素的倒数第二个 li元素。
  //ul/li[position()❤️] 选取最前面的两个属于 ul元素的子元素的 li元素。
  //a[@title] 选取所有拥有名为 title的属性的 a元素。
  //a[@title=‘xx’] 选取所有 a元素，且这些元素拥有值为 xx的 title属性。
  //a[@title>10] > < >= <= != 选取 a元素的所有 title元素，且其中的 title元素的值须大于 10。
  /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。
• 选取未知节点
  XPath 通配符可用来选取未知的 XML 元素。
  通配符 描述

  • 	匹配任何元素节点。  一般用于浏览器copy xpath会出现
    

  @* 匹配任何属性节点。
  node() 匹配任何类型的节点。
  实例
  在下面的表格中，我们列出了一些路径表达式，以及这些表达式的结果：
  路径表达式 结果
  /ul/* 选取 ul元素的所有子元素。
  //* 选取文档中的所有元素。
  //title[@*] 选取所有带有属性的 title 元素。
  //node() 获取所有节点
  选取若干路径
  通过在路径表达式中使用“|”运算符，您可以选取若干个路径。
  实例
  在下面的表格中，我们列出了一些路径表达式，以及这些表达式的结果：
  路径表达式 结果
  //book/title | //book/price 选取 book 元素的所有 title 和 price 元素。
  //title | //price 选取文档中的所有 title 和 price 元素。
  /bookstore/book/title | //price 选取属于 bookstore 元素的 book 元素的所有 title 元素，以及文档中所有的 price 元素。
• 逻辑运算
  • 查找所有id属性等于head并且class属性等于s_down的div标签
    //div[@id=“head” and @class=“s_down”]
  • 选取文档中的所有 title 和 price 元素。
    //title | //price
    注意: “|”两边必须是完整的xpath路径
• 属性查询
  • 查找所有包含id属性的div节点
    //div[@id]
  • 查找所有id属性等于maincontent的div标签
    //div[@id=“maincontent”]
  • 查找所有的class属性
    //@class
  • //@attrName
    //li[@name=“xx”]//text() # 获取li标签name为xx的里面的文本内容
• 获取第几个标签 索引从1开始
  tree.xpath(‘//li[1]/a/text()’) # 获取第一个
  tree.xpath(‘//li[last()]/a/text()’) # 获取最后一个
  tree.xpath(‘//li[last()-1]/a/text()’) # 获取倒数第二个
• 模糊查询
  • 查询所有id属性中包含he的div标签
    //div[contains(@id, “he”)]
  • 查询所有id属性中包以he开头的div标签
    //div[starts-with(@id, “he”)]
• 内容查询
  查找所有div标签下的直接子节点h1的内容
  //div/h1/text()
• 属性值获取
  //div/a/@href 获取a里面的href属性值
• 获取所有
  //* #获取所有
  //*[@class=“xx”] #获取所有class为xx的标签
• 获取节点内容转换成字符串
  c = tree.xpath(‘//li/a’)[0]
  result=etree.tostring(c, encoding=‘utf-8’)
  print(result.decode(‘UTF-8’))

练习：

• 豆瓣
  匹配出虚构类和非虚构类中的图片，标题和简介
• 股票数据
  抓到每一行股票数据