本文介绍了如何使用Python的lxml库解析HTML文档，并通过XPath表达式提取所需信息。示例中展示了获取li标签内容、a标签文本、属性值等操作，以及XPath的路径选择、谓语和位置节点的应用。此外，还演示了自定义解释器解析HTML文件的方法。
from lxml import etree
#https://mirrors.aliyun.com/pypi/simple/ python仓库
wb_data = """
<div>
<ul>
<li class="item-0"><a href="link1.html">first item</a></li>
<li class="item-1"><a href="link2.html">second item</a></li>
<li class="item-inactive"><a href="link3.html">third item</a></li>
<li class="item-3"><a href="link4.html">fourth item</a></li>
<li class="item-4"><a href="link5.html">fifth item</a></li>
</ul>
</div>
"""
#将变量读取为HTML对象,自动添加<html><body>... ...</body></html>
html=etree.HTML(wb_data)
#解析数据 /是根节点
data=html.xpath('/html')
//子孙节点
data2=html.xpath('//li') li标签可以在任意节点
获取a标签里的内容1
data3=html.xpath('/html/body/div/ul/li/a/text()')
获取class属性的属性值
data5=html.xpath('/html/body/div/ul/li/@class')
for i in data
print(i)
获取a标签里的内容2
data4=html.xpath('/html/body/div/ul/li/a')
获取所有href属性中带有link2.html属性值的标签的内容
data8=html.xpath('//ul/li/a[@href="link2.html"')
for i in data4:
print(i.text)
获取a标签的href属性的属性值
data6=html.xpath('/html/body/div/ul/li/a')
for i in data6:
a=i.xpath('./@href')
print(a)
获取第一个和最后一个li标签的地址
#这里data7是一个list 电脑不知道ul有几个，就将ul标签当做多个ul处理,多个ul就是列表
data7=html.xpath('/html/body/div/ul')
for i in data7:
li_1=i.xpath('./li[1]')
print(li_1)
li_last=i.xpath(./li[last()]')
print(li_last)
*位置节点，匹配所有li标签下的有text的标签的内容
data=html.xpath('//ul/li/*')
for i in data:
if hasattr(i,'text'):
print(i.text)
else:
print(i)
#自定义解释器,解析html文件
parser=etree.HTMLParser(encoding='utf-8') 默认解析xml文档
html_file=etree.parse('aliyun.html',parser=parser)
匹配任意节点，带有text的内容
data=html_file.xpath('//*')
for i in data:
if hasattr(i,'text'):
print(i.text)
获取a链接href的属性值为link2.html的内容"
html_file=etree.parse('hh.html',parser=parser)
data=html_file.xpath('//li/a[@href="link2.html"]/text()')
print(data)
获取a链接href的属性的值
data=html_file.xpath('//li/a/@href')
print(data)
谓语
获取最后一个a链接的内容
data=html_file.xpath('//li[last()]/a/text()')
print(data)
554
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
