1.什么是xml
(1)定义:xml称为可扩展标记性语言。
(2)特点:xml具有自描述特性。是一种半结构化数据。
(3)作用:xml的设计宗旨是用来传输数据。
2.xml和html的区别
1)语法要求不同:
xml的语法要求更严格。
1、在html中不区分大小写,在xml中严格区分
2、在html中,有时不严格,如果上下文清楚地显示出段落或者列表键在何处结尾,那么你可以省略</p>
或者</li>
标记。在xml中,是严格的树状结构,绝对不能省略任何标记。
3、在xml中,拥有单个标记二没有匹配的结束标记的元素必须用一个/字符作为结尾。
<a href=’www’/>
4、在xml中,属性值必须分装在引号中。在html中,引号可用可不用。
5、在html中属性名可以不带属性值,xml必须带
6、xml文档中,空白部分不会被解析器自动删除,但是html是过滤掉空格
(2)作用不同:
xml主要用来传输数据。html主要用来显示数据,以及更好的显示数据。
(3)标记不同:
xml没有固定的标记。html标签是固定的。
3.xpath
(1)什么是xpath?
xpath是一种语法,用来提取xml或者html页面内容的语法。
(2)xpath语法内容
元素:指一个xml的标签以及标签的所有内容
属性:class,name
内容:a标签的内容就是aaa,b标签的内容就是bbb
标签:和元素一样。
<a>
aaa
<b>bbb</b>
</a>
1.选取节点
nodename | 选取此标签的所有子标签 |
---|---|
/ | 从根节点开始选取 |
// | 从任意位置开始选取 |
. | 选取当前节点 |
… | 选取父节点 |
@ | 选取属性 |
text() | 选取内容 |
2.谓语
英语中谓语用来限定。
xpath的谓语也是限定选取的内容的。
/bookstore/book[1] | 取bookstroe下面的第一个book标签 |
---|---|
/bookstore/book[last()] | 取bookstroe下面的最后一个book标签 |
/bookstore/book[last()-1] | 取bookstroe下面倒数第二个book标签 |
/bookstore/book[position()>1] | 从bookstroe下面的第二本书开始取 |
//title[@lang] | 取一个有lang属性的title标签 |
//title[@lang=“eng”] | 取一个有lang属性,并且lang属性为eng的title标签 |
3.选取未知节点
* ---匹配任意节点
@* --匹配任意属性
4.选取若干路径
//title|//price
选取所有的title标签和price标签。
4.在python中如何使用xpath
通过lxml模块,可以使用xpath语法来筛选元素
导包
from lxml import etree
(1)将字符串形式的xml内容解析成可以调用xpath语法的element对象的方法。
html_element=etree.HTML(html_str)
res=html_element.xpath()
res也是一个element,表示还可以继续调用xpath方法来继续筛选元素。
etree.HTML()可以帮我们补齐标签内容
(2)将一个html文件转化成element对象的方法
from lxml import etree
html=etree.parse('demo.html')
print(etree.tostring(html,pretty_print=True,encoding='utf-8').decode("utf-8"))
当使用parse方法解析一个xml或者html文件时,语法必须严格按照xml的标签语法。标签必须对应。