04爬虫-xpath节点以及语法

xpath定位节点以及提取属性或文本内容的语法

表达式	描述
nodename	选中该元素。
/	从根节点选取、或者是元素和元素间的过渡。
//	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。
text()	选取文本。

/：类似于绝对路径查找，/html/head/title

//：直接在当前节点下的所有节点中进行查找，类似于之前的jsonpath，/html//title或//title，在根节点下只需找title

xpath节点选择语法

html
/html/head/title
html//title
//title
//title/../..//title
斜杠隔开的是节点

//title/text() 从开闭标签之间取文本内容

//link/@href 去link标签中，href属性中的内容链接

节点修饰语法

1.通过索引修饰节点

/html/body/div[3]/div/div[1]/div 选择body标签下第三个div下的div下的第一个div下的所有div

/html/body/div[3]/div/div[1]/div[last()] 选择body标签下第三个div下的div下的第一个div下的最后一个div

/html/body/div[3]/div/div[1]/div[last()-1] 选择body标签下第三个div下的div下的第一个div下的倒数第二个div

/html/body/div[3]/div/div[1]/div[position()>10] 选择body标签下第三个div下的div下的第一个div下除了前十个div剩下的其它div

2.根据属性值修饰节点

//div[@id="content-left"]/div/@id 在所有div中选择属性值id="content-left"的div，然后在它下面选择所有div并获取它们的id属性中的值

3.通过子节点的值修饰节点
//span[i>2000] 选择所有span标签中的i标签里的值大于2000的span标签

//div[span[2]>=9.4] 选择所有div标签中的第二个span标签里的值大于等于9.4的div标签

4.通过包含修饰
类似于模糊查询

//div[contains(@id,"qiushi_tag_")] 选择所有div中含有id属性，并且id的属性值包含字符串“qiushi_tag_”的所有div

//span[contains(text(),"下一页")] 选择所有span标签中，标签里面的值包含字符串“下一页“的所有span标签

//h2/a|//td/a xpath复合使用语法

xpath使用例子

 from lxml import etree
  text = ''' 
<div> 
  <ul> 
    <li class="item-1">
      <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">fourth item</a>
    </li> 
    <li class="item-0">
      a href="link5.html">fifth item</a>
  </ul> 
</div>'''
  
  #根据li标签进行分组
  #将字符串转换为element对象
  html = etree.HTML(text)
  #查找所有li标签中参数class值为"item-1"的li的element对象，赋值给li_list列表，因为xpth返回的是一个列表
  li_list = html.xpath("//li[@class='item-1']")
  
  #在每一组中继续进行数据的提取
  for li in li_list:
  	  #设置一个空列表
      item = {}
      
      #进行条件判断，如果li标签下a标签的参数href的值长度大于0，就将href的内容赋值给item字典中的href，否则就赋值空
      item["href"] = li.xpath("./a/@href")[0] if len(li.xpath("./a/@href"))>0 else None
      
      #进行条件判断，如果li标签下a标签的内容大于0，就将a标签的内容赋值给item字典中的title，否则就赋值空
      item["title"] = li.xpath("./a/text()")[0] if len(li.xpath("./a/text()"))>0 else None
      print(item)

lxml.etree.tostring（）
将element对象转换为字符串