如何使用XPath
XPath是一门在XML文档中查找信息的语言。最初是用来搜寻XML文档的,但同样适用于HTML文档的搜索。在做爬虫时,可以使用XPath来做相应的信息抽取,几乎所有我们想要定位的节点都可以使用XPath来选择。
1、XPath 常用规则
表达式 | 描述 |
---|---|
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 |
示例如下:
//a[@class='tit']
表示所有名称为a,同时属性class的值为tit的节点。
2、准备工作
需要确保lxml解析库已经安装完成,安装指令如下:
pip3 install lxml
3、解析实例
-
读取HTML文本【 etree.HTML() 】
lxml解析库中的etree模块,可以使用HTML类将HTML文本转换成一个XPath解析对象,如果HTML文本不完整,etree模块可以自动修正HTML文本:
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">forth item</a></li>
<li class="item-0"><a href="link5.html">fifth item</a>
</ul>
</div>
'''
html = etree.HTML(text)
result = etree.tostring(html)
print(result.decode('utf-8'))
etree模块中的tostring函数可以输出修正后的HTML代码,但结果会变成bytes类型,可以利用decode()方法将其转换成str类型,上面代码运行结果如下:
<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-inactive"><a href="link3.html">third item</a></li>
<li class="item-1"><a href="link4.html">forth item</a></li>
<li class="item-0"><a href="link5.html">fifth item</a>
</li></ul>
</div>
</body></html&g