爬虫学习：XPath提取网页数据

目录

一、安装XPath

二、XPath的基础语法 

 1.选取节点

三、使用XPath匹配数据

1.浏览器审查元素

2.具体实例

四、总结

---

一、安装XPath

控制台输入指令：pip install lxml

二、XPath的基础语法 

        XPath是一种在XML文档中查找信息的语言，可以使用它在HTML源代码文档中通过元素、属性等方式进行查找和提取数据。

 1.选取节点

表达式	描述
nodename	选取此元素的所有子元素。 例：div选取div下所有子元素。
/	从根节点选取子节点。 例：/div选取根元素div
//	从匹配选择的当前元素下选择文档中的元素，而不考虑它们在文档中的位置。
.	选取当前元素。
..	选取父元素。
@	选取属性。

例：XPath的常用语法格式

ul//li              
#选取ul下所有li子元素，而不管它们在文档的位置。
//@class
# 选取所有具有class属性的元素
ul//li[1]
# 选取ul元素下第一个li子元素
//div[@id="t2"]
# 选取id属性为t2的所有div元素
//li[@class="it"]
#选取class属性为it的li子元素
/div/ul/li[@class="it"]
# 选取根元素div下ul元素下的class属性等于it的li子元素

三、使用XPath匹配数据

1.浏览器审查元素

        上文初步了解了XPath的语法，这里介绍一个技巧，无需我们自己写XPath，使用浏览器自带工具即可，自动生成XPath。

第一步：打开要爬取的网页（ 以机场三字代码查询系统_机场代码 (6qt.net)为例）

 按下F12，显示以下界面。

第二步： 点击审查元素按钮

第三步：在左侧选取要爬取的内容

2.具体实例

实例一：根据class属性进行匹配

获取标签文本使用text() 。

from lxml import html
import requests
url="http://www.6qt.net"
res=requests.get(url)
res.encoding="gb2312"
data_html=html.fromstring(res.text)
# 将网络请求返回的文本res.text转换为一个HTML文档对象
name_list=data_html.xpath('//tr[@class="tdbg"]//td[1]/a/text()')
for x in name_list:
    print(x)

运行结果：

实例二：根据id属性进行匹配

获取标签属性值使用@属性名，以下案例获取了属性title值：@title 。

from lxml import html
import requests
url="http://www.6qt.net"
res=requests.get(url)
res.encoding="gb2312"
data_html=html.fromstring(res.text)
# 将网络请求返回的文本res.text转换为一个HTML文档对象
name_list=data_html.xpath('//div[@id="logo"]/a/@title')
for x in name_list:
    print(x)

运行结果：

实例三：根据name属性进行匹配

获取了meta标签的content属性

from lxml import html
import requests
url="http://www.6qt.net"
res=requests.get(url)
res.encoding="gb2312"
data_html=html.fromstring(res.text)
# 将网络请求返回的文本res.text转换为一个HTML文档对象
name_list=data_html.xpath('/html/head/meta[@name="Keywords"]/@content')
for x in name_list:
    print(x)

运行结果：

四、总结

        爬虫是一个自动化获取网页数据的工具，其使用关键在于会分析HTML文档结构，使用正确的Xpath匹配数据，才能获取到想要的内容，所见即所得。