源数据
<html lang="en">
<head>
<meta charset="UTF-8" />
<title>测试bs4</title>
</head>
<body>
<div>
<p>百里守约</p>
</div>
<div class="song">
<p>李清照</p>
<p>王安石</p>
<p>苏轼</p>
<p>柳宗元</p>
<a href="http://www.song.com/" title="赵匡胤" target="_self">
<span>this is span</span>
宋朝是最强大的王朝,不是军队的强大,而是经济很强大,国民都很有钱</a>
<a href="" class="du">总为浮云能蔽日,长安不见使人愁</a>
<img src="http://www.baidu.com/meinv.jpg" alt="" />
</div>
<div class="tang">
<ul>
<li><a href="http://www.baidu.com" title="qing">清明时节雨纷纷,路上行人欲断魂,借问酒家何处有,牧童遥指杏花村</a></li>
<li><a href="http://www.163.com" title="qin">秦时明月汉时关,万里长征人未还,但使龙城飞将在,不教胡马度阴山</a></li>
<li><a href="http://www.126.com" alt="qi">岐王宅里寻常见,崔九堂前几度闻,正是江南好风景,落花时节又逢君</a></li>
<li><a href="http://www.sina.com" class="du">杜甫</a></li>
<li><a href="http://www.dudu.com" class="du">杜牧</a></li>
<li><b>杜小月</b></li>
<li><i>度蜜月</i></li>
<li><a href="http://www.haha.com" id="feng">凤凰台上凤凰游,凤去台空江自流,吴宫花草埋幽径,晋代衣冠成古丘</a></li>
</ul>
</div>
</body>
</html>
from lxml import etree
tree = etree.parse('C:/Users/axyzw/Downloads/爬虫课件/第三章:数据解析./test.html')
# /:表示的是从根节点开始定位。表示的是一个层级。
r = tree.xpath('/html/body/div')
print(r)#显示三个div标签
[<Element div at 0x1d7e7f61a80>, <Element div at 0x1d7e7f61ac0>, <Element div at 0x1d7e7f61b00>]
#//:表示的是多个层级。可以表示从任意位置开始定位。
r = tree.xpath('/html//div')
print(r)
[<Element div at 0x1d7e7f61a80>, <Element div at 0x1d7e7f61ac0>, <Element div at 0x1d7e7f61b00>]
r = tree.xpath('//div')
print(r)
[<Element div at 0x1d7e7f61a80>, <Element div at 0x1d7e7f61ac0>, <Element div at 0x1d7e7f61b00>]
# 属性定位://div[@class='song'] tag[@attrName="attrValue"]
# div有三个 获取属性为宋的div
r = tree.xpath('//div[@class="song"]')
print(r)
[<Element div at 0x1d7e7f61ac0>]
#索引定位://div[@class="song"]/p[3] 索引是从1开始的。
#获取的是宋div下的第三个P标签
r = tree.xpath('//div[@class="song"]/p[3]')
print(r)
[<Element p at 0x1d7e7f68400>]
#获取文本,返回的是一个list
r = tree.xpath('//div[@class="tang"]//li[5]/a/text()')
print(r)
['杜牧']
#获取字符串
r = tree.xpath('//div[@class="tang"]//li[5]/a/text()')[0]
print(r)
杜牧
#/text() 获取的是标签中直系的文本内容
# 无直系内容 所以返回空值
r = tree.xpath('//li[7]/text()')
print(r)
[]
#//text() 标签中非直系的文本内容(所有的文本内容)
r = tree.xpath('//li[7]//text()')
print(r)
['度蜜月']
#取属性:
# /@attrName ==>img/src
r = tree.xpath('//div[@class="song"]/img/@src')
print(r)
['http://www.baidu.com/meinv.jpg']