beautifulsoup网页爬虫解析_爬虫第三天——初识Xpath

解析神器Xpath：

1. 什么是Xpath

XPath即为XML路径语言（XML Path Language），它是一种用来确定XML文档中某部分位置的语言。
XPath基于XML的树状结构，提供在数据结构树中找寻节点的能力。起初XPath的提出的初衷是将其作为一个通用的、介于XPointer与XSL间的语法模型。但是XPath很快的被开发者采用来当作小型查询语言。
可以阅读该文档了解更多关于Xpath的知识。

2. Xpath解析网页的流程

• 首先通过Requests库获取网页数据
• 通过网页解析，得到想要的数据或者新的链接
• 网页解析可以通过Xpath或者其它解析工具进行，Xpath在是一个非常好用的网页解析工具

3. 常用的网页解析

• 正则表达式使用比较困难，学习成本较高
• BeautifulSoup性能较慢，相对于Xpath较难，在某些特定场景下有用
• Xpath使用简单，速度快（Xpath是lxml里面的一种），是抓取数据最好的选择

Xpath的使用：

1. 使用Xpath解析网页数据的步骤

• 从lxml导入etree
• 解析数据，返回xml结构
• 使用.xpath()寻找和定位数据

from 

2. 获取Xpath的方法

• 第一种方法：从浏览器直接复制
• 首先在浏览器上定位到需要爬取的数据
• 右键，点击“检查”，在“Elements”下找到定位到所需数据
• 右键——Copy——Copy Xpath，即可完成Xpath的复制

• 第二种方法：手写Xpath

• 获取文本内容用 text()
• 获取注释用 comment()
• 获取其它任何属性用@xx，如：
  href
  src
  value
• 想要获取某个标签下所有的文本（包括子标签下的文本），使用string
  如”< p>123< a>来获取我啊< /a>< /p>”，这边如果想要得到的文本为”123来获取我啊”，则需要使用string
• starts-with 匹配字符串前面相等
• contains 匹配任何位置相等

附录

Xpath教程

• 阅读Xpath教程，掌握Xpath的基本知识

Xpath的基本使用

• 阅读爬虫入门到精通-网页的解析（xpath），参考Xpath的使用方法
• 阅读Python爬虫利器三之Xpath语法与lxml库的用法，了解更多Xpath的使用方法示例

正则表达式

• 阅读Python正则表达式，了解正则表达式及其基本的语法
• 阅读爬虫入门到精通-网页的解析（正则），学习使用正则表达式匹配网页数据

BeautifulSoup

• 阅读Beautiful Soup 中文教程，了解使用BeautifulSoup解析网页的方法
• 阅读Beautiful Soup 4.2.0 文档这篇BeautifulSoup的官方文档，了解其更加全面的用法