XPath学习
1.XPath简介
XPath,全称XML Path Language,即XML路径语言,拥有简单明了的路径选择表达式,提供有100个内建函数,实现对字符串、数值、时间的匹配以及节点、序列的处理。应用于在XML文档中查找信息的语言,适用于HTML文档的搜索。
2.XPath常用规则
表达式 | 功 能 |
---|---|
nodename | 选取此节点的所有子节点 |
/ | 从当前节点选取直接子节点 |
// | 从当前节点选取子孙节点 |
. | 选取当前节点 |
… | 选取当前节点的父节点 |
@ | 选取属性 |
3.具体用法
通过Python的lxml库,利用XPath进行HTML解析。
(1)对HTML代码解析
from lxml import etree
#声明一段HTML文本
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-inachive"><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>
'''
#调用HTML类进行初始化,构造解析对象
html = etree.HTML(text)
result = etree.tostring(html)
print(result.decode('utf-8'))
etree模块可以自动修正HTML文本,调用tostring()方法即可输出修正后的HTML代码,结果是bytes类型。利用decode()方法将其转成str类型。结果如下:
<html><body><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-inachive"><a href="link3.html">third item</a></li>
<li class="item-1"><a href="link4.html">fourth item</a></li>
<li