from lxml import etree
#--------------------------------------------test1
text='''
<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-1"><a href="link4.html">fourth item</a></li>
<li class="item-0"><a href="link5.html">fifth item</a>
</ul>
</div>
''' #文本之中最后一个<li>标签没有闭合
html=etree.HTML(text)
result=etree.tostring(html) #tostring方法,会自动修复字符串,帮助我们添加<html></li>,值得注意的是,转化后是bytes格式
print(result.decode('utf-8')) #bytes格式解码
#---------------------------------------------------test2
#我们本地存在一个 test.html 文件
html=etree.parse('/test.html',etree.HTMLParser()) #[解析过程] 要用etree定向查找,必须先有解析过的html文本
result=html.xpath('//li') #[ // 查找某一个标签 ] 定向查找所有 <li> 标签
result2=html.xpath('//li/a') #[ / 查找某一个标签对应的子节点] 定向查找所有 <li>标签下的<a> 标签
result3=html.xpath('//ul//a') #[ //xx//yy 查找xx标签的yy子孙 ] 显然并没有
#--------------------- -------------------------------test3
result4=html.xpath('//a[@href="link4.html"]/../@class')
#[@xxxx]用于指定属性,满足属性的才能被查找到
#第二个@是 取出结果的 @属性,如果没这个'@class',得到的直接是一个父亲标签
#/../和/parent::*/ 用于向父节点回查
#------------------------------------------------------ test4
# 获取文本信息
result5=html.xpath('//li[@class="item0"]/text()') #得到自动修正产生的换行符
result6=html.xpath('//li[@class="item0"]/a/text()') #得到['first item', 'fifth item']
result6=html.xpath('//li[@class="item0"]//text()') #得到['first item', 'fifth item','\n']
#------------------------------------------------------------test5
from lxml import etree
text = '''<li class="li li-first" name="item"><a href="link.html">first item</a></li>'''
html = etree.HTML(text)
result = html.xpath('//li[@class="li"]/a/text()')
print(result)
#这里HTML文本中li节点的class属性有两个值li和li-first,此时如果还想用之前的属性匹配获取,就无法匹配了,此时的运行结果为空
#通过contains()方法,第一个参数传入属性名称,第二个参数传入属性值,只要此属性包含所传入的属性值,就可以完成匹配了
result = html.xpath('//li[contains(@class, "li")]/a/text()') #结果是['first item']
#---------------------------------------------------------------test6
from lxml import etree
text = '''<li class="li li-first" name="item"><a href="link.html">first item</a></li>'''
html = etree.HTML(text)
result = html.xpath('//li[contains(@class, "li") and @name="item"]/a/text()') #属性不止可以填一个,result是['first item']
#---------------------------------------------------------------test7
#有时候,我们在选择的时候某些属性可能同时匹配了多个节点,但是只想要其中的某个节点,如第二个节点或者最后一个节点,这时该怎么办呢
from lxml import etree
text = '''
<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-1"><a href="link4.html">fourth item</a></li>
<li class="item-0"><a href="link5.html">fifth item</a>
</ul>
</div>
'''
html = etree.parse(text,etree.HTMLParser())
result = html.xpath('//li[1]/a/text()') #筛选第一个
print(result)
result = html.xpath('//li[last()]/a/text()')#筛选最后一个
print(result)
result = html.xpath('//li[position()<3]/a/text()')#筛选 1,2
print(result)
result = html.xpath('//li[last()-2]/a/text()') #筛选倒数第二个
print(result)
#结果是
['first item']
['fifth item']
['first item', 'second item']
['third item']
#-------------------------------------------------------------test8
from lxml import etree
text = '''
<div>
<ul>
<li class="item-0"><a href="link1.html"><span>first item</span></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-1"><a href="link4.html">fourth item</a></li>
<li class="item-0"><a href="link5.html">fifth item</a>
</ul>
</div>
'''
html = etree.parse(text,etree.HTMLParser())
result = html.xpath('//li[1]/ancestor::*')
result = html.xpath('//li[1]/ancestor::div')
result = html.xpath('//li[1]/attribute::*')
result = html.xpath('//li[1]/child::a[@href="link1.html"]')
result = html.xpath('//li[1]/descendant::span')
result = html.xpath('//li[1]/following::*[2]')
result = html.xpath('//li[1]/following-sibling::*')
#结果如下
[<Element html at 0x107941808>, <Element body at 0x1079418c8>, <Element div at 0x107941908>, <Element ul at 0x107941948>]
[<Element div at 0x107941908>]
['item-0']
[<Element a at 0x1079418c8>]
[<Element span at 0x107941948>]
[<Element a at 0x1079418c8>]
[<Element li at 0x107941948>, <Element li at 0x107941988>, <Element li at 0x1079419c8>, <Element li at 0x107941a08>]
第一次选择时,我们调用了ancestor轴,可以获取所有祖先节点。其后需要跟两个冒号,然后是节点的选择器,这里我们直接使用*,表示匹配所有节点,因此返回结果是第一个li节点的所有祖先节点,包括html、body、div和ul。
第二次选择时,我们又加了限定条件,这次在冒号后面加了div,这样得到的结果就只有div这个祖先节点了。
第三次选择时,我们调用了attribute轴,可以获取所有属性值,其后跟的选择器还是*,这代表获取节点的所有属性,返回值就是li节点的所有属性值。
第四次选择时,我们调用了child轴,可以获取所有直接子节点。这里我们又加了限定条件,选取href属性为link1.html的a节点。
第五次选择时,我们调用了descendant轴,可以获取所有子孙节点。这里我们又加了限定条件获取span节点,所以返回的结果只包含span节点而不包含a节点。
第六次选择时,我们调用了following轴,可以获取当前节点之后的所有节点。这里我们虽然使用的是*匹配,但又加了索引选择,所以只获取了第二个后续节点。
第七次选择时,我们调用了following-sibling轴,可以获取当前节点之后的所有同级节点。这里我们使用*匹配,所以获取了所有后续同级节点。