XPath

一. 什么是xml

1. 定义: 可扩展标记性语言
2. 特点: xml是具有自描述结构的半结构化数据
3. 作用: xml主要设计宗旨是用来传输数据,它还可以作为配置文件.

二. xml和html的区别

1. 语法要求不同: xml的语法要求更严格.
   1. html不区分大小写, xml区分
   2. html有时可以省略尾标签,xml不能省略任何标签,严格按照嵌套首尾结构.
   3. 在html中属性吗可以不带属性值,xml必须带属性值.
   4. 在xml中属性必须用引号引起来,html可以不加引号.
2. 作用不同:
   1. html主要设计用来显示数据以及更好的显示数据
   2. xml主要设计宗旨就是传输数据.
   3. 标记不同: xml没有固定标记,html的标记都是固定的,不能自定义.

三. XPath

1. 什么是XPath
   xpath是一种筛选html或者xml页面元素的语法.

2. xml和html的一些名词:
   元素, 标签, 属性, 内容

3. xml的两种解析方法:
   dom和sax

4. xpath语法:

   1. 选取节点:

   节点名	选取此节点的所有子节点
   /	从根节点开始选取
   //	从任意节点开始,不考虑他们的位置
   .	从当前节点开始找
   …	从父节点开始找
   @	选取属性
   text()	选取内容

   2. 谓语: 起限定作用,限定它前面的内容.

      []写在谁的后面,就限定谁,一般用于限定元素或标签.
      “//book[@class=‘abc’]”

   [@class]	选取有class属性的
   [@class=‘abc’]	选取class属性为abc
   [contains(@href,‘baidu’)]	选取href属性包含baidu的标签
   [1]	选取第一个
   [last()]	选取最后一个
   [last()-1]	选取倒数第二个
   [position()>2]	跳过前两个
   ‘//book[price>30]’	选取子标签中price大于30的book标签

   3. 通配符

   *	匹配任意节点
   @*	匹配任意属性

   4. 选取若干路径
      | ----左边和右边的xpath选的内容都要----and

5. lxml模块-----Python处理xml和html的模块.

   1. 解析html代码.

      from lxml import etree
      
      
      text = '''
      	html 页面内容
      '''
      tree = etree.HTML(text) # 返回值就是一个element对象
      # element对象有xpath方法,可以通过xpath表达式来筛选内容.
      a_contents = tree.xpath('//li[@class="item-1"]/a/text()')
      # 将element对象变成字符串的方法
      html_str = etree.tostring(tree, pretty_print=True).decode('utf-8')
      

      element对象用xpath来筛选,返回值都是一个list
      xptah表达式最后一个时一个元素(标签),list中都是element元素
      xpath表达式最后一个是属性,list都是属性字符串
      xpath表达式最后一个时内容,list都是内容字符串

   2. 解析xml或者html文件:

      from lxml import etree
      # parse方法是按照xml的方式来解析,如果语法出问题,就会报错.
      html = etree.parse('demo.html')