Xpath演示
在使用 Xpath 之前,需要先确保安装好 lxml 库。
from lxml import etree
import requests
response = requests.get('https://www.geekdigging.com/')#获取源代码byte数据流
html_str = response.content.decode('UTF-8')#使用decode进行解码
html = etree.HTML(html_str)#构建一个lxml.etree_Element对象
result = etree.tostring(html,encoding='UTF-8').decode('UTF-8')#转化为字符串
print(result)
result_1 = html.xpath('//*')
print(result_1)
#*匹配所有节点,如html,head,meta等类型
result_2 = html.xpath('//meta')
print(result_2)
#指定类型
常用路径表达式
表达式 | 作用 |
---|---|
nodename | 选取此节点的所有子节点。 |
/ | 从根节点选取。 |
// | 从匹配选择的当前节点选择文档中的节点,而不考虑它们的位置。 |
. | 选取当前节点 |
… | 选取当前节点的父节点。 |
@ | 选取属性。 |
在使用 Xpath 之前,需要先确保安装好 lxml 库,如果没有安装,可以参考前面的前置准备进行安装。
向下爬取子节点
#获取<main>下的<article>节点
result_3 = html.xpath('//main/article')
print(result_3)
#/获取子节点 //获取孙子节点
result_4 = html.xpath('//main//div')
print(result_4)
向上爬取父节点
result_5 = html.xpath('//@子节点/../@父节点')
print(result_5)
#或者使用parent::
result_6 = html.xpath('//@子节点/parent::/@父节点')
属性过滤
选取属性时可使用@进行属性过滤,如选取< div >时,选取< section >的子结点中class为container的< div >
result_7 = html.xpath('//section/div[@class="container"]')
print(result_7)
文本获取
使用text()来获取文本信息
from lxml import etree
import requests
response = requests.get('https://www.geekdigging.com/')
html_str = response.content.decode('UTF-8')
html = etree.HTML(html_str)
result_1 = html.xpath('/html/body/section/div/div/main/article[1]/div[2]/div/h3/a/text()')
print(result_1)