注意:Xpath路径可以借助Xpath helper插件校验是否正确,打开与关闭的快捷键均为Ctrl+shift+x
示例
import requests
from lxml import etree
headers={
'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 '
'(KHTML, like Gecko) Chrome/71.0.3578.80 Safari/537.36'
}
response = requests.get('https://www.baidu.com/',headers=headers)
# print(type(response)) #<class 'requests.models.Response'>
print(response.text)
# print(type(response.text)) <class 'str'>
html = etree.HTML(response.text) #调用HTML类将response.text的str内容(网站源代码HTML)解析并修正,
#构造一个Xpath解析对象
# print(type(html)) <class 'lxml.etree._Element'>
result = etree.tostring(html)
# print(type(result)) #<class 'bytes'>
print(result.decode('utf-8')) #调用decode()将Byte类型以utf-8解码,输出解析并修正后的HTML代码
Xpath语法
属性多值匹配
如下示例所示,HTML文本中li节点的class属性有两个值,即li和li-first,若只写其中一个属性值就会出现匹配失败的情况,得到一个空列表,解决的办法就是contain()方法的使用,第一个参数传入属性名称,第二个参数传入属性值。
示例
from lxml import etree
text='''
<li class="li li-first"><a href="link.html">first item</a></li>
'''
html = etree.HTML(text)
result1 = html.xpath('//li[@class="li"]/a/text()')
result2 = html.xpath('//li[@class="li-first"]/a/text()')
result3 = html.xpath('//li[@class="li li-first"]/a/text()')
result4 = html.xpath('//li[contains(@class,"li")]/a/text()')
result5 = html.xpath('//li[contains(@class,"li-first")]/a/text()')
print("result1=",result1)
print("result2=",result2)
print("result3=",result3)
print("result4=",result4)
print("result5=",result5)
运行结果
result1= []
result2= []
result3= ['first item']
result4= ['first item']
result5= ['first item']
多属性匹配
有时候我们可能还会遇到一种情况,那就是根据多个属性确定一个节点,这时就需要同时匹配多个属性。此时可以使用运算符and来连接。
示例
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-first")and@name="item"]/a/text()')
print("result=",result)
运行结果
result= ['first item']
按序选择
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?
这时候可以利用中括号传入索引的方法获取特定次序的节点。
示例
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></li>
</ul>
</div>
"""
html = etree.HTML(text)
#选取第1个li节点
result1 = html.xpath('//li[1]/a/text()')
print('result1=',result1)
#选取最后1个li节点
result2 = html.xpath('//li[last()]/a/text()')
print('result2=',result2)
#选取第1个和第2个li节点
result3 = html.xpath('//li[position()<3]/a/text()')
print('result3=',result3)
#选取倒数第3个li节点
result4 = html.xpath('//li[last()-2]/a/text()')
print('result4=',result4)
运行结果
result1= ['first item']
result2= ['fifth item']
result3= ['first item', 'second item']
result4= ['third item']
表1 运算符及其介绍
我