爬虫入门10——Xpath数据解析方法

爬虫入门09——Xpath数据解析方法

(1)方法一:直接在python代码中解析html字符串

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>
'''
#使用etree解析使用HTML字符串
html = etree.HTML(text)

(2)方法二:读取一个html文件并解析

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>
#'''
#方法二:读取一个html文件并解析
html = etree.parse('C:/Users/PC/Desktop/test.html',etree.HTMLParser())
#print(html)
result= etree.tostring(html)
print(result)
print(result.decode('utf-8'))

(3)部分操作

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>
#'''
#方法二:读取一个html文件并解析
html = etree.parse('C:/Users/PC/Desktop/test.html',etree.HTMLParser())
#print(html)
#result= etree.tostring(html)
#print(result)
#print(result.decode('utf-8'))

#获取页面中所有li里面的数据
#['first item', 'second item', 'third item', 'forth item', 'fifth item']
result1 = html.xpath('//li/a/text()')
print(result1)

#获取指定标签里面的li数据
#['third item']
result2 = html.xpath('//li[@class="item-inactive"]/a/text()')
print(result2)

#获取属性名
#['link3.html']
result3 = html.xpath('//li[@class="item-inactive"]/a/@href')
print(result3)

#[('third item', 'link3.html')]
print(list(zip(result2,result3)))


# /当前元素的直接子节点
# //当前元素的子节点或孙子节点
# text()获取文本
# @attr获取属性对应的值
  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

呦呦呦欸哟哟

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值