爬虫的解析方式五：XPath

百变鹏仔 5小时前 #Python

文章标签爬虫

众多语言都能进行爬虫，但基于python-tutorials.html" target="_blank">python的爬虫显得更加简洁，方便。爬虫也成了python语言中必不可少的一部分。爬虫的解析方式也是多种多样。上一篇给大家讲述的是爬虫的解析方式四：PyQuery，今天给大家带来的是另一种方式，XPath。

python爬虫之xpath的基本使用

一、简介

XPath 是一门在 XML 文档中查找信息的语言。XPath 可用来在 XML 文档中对元素和属性进行遍历。XPath 是 W3C XSLT 标准的主要元素，并且 XQuery 和 XPointer 都构建于 XPath 表达之上。

二、安装

pip3 install lxml

三、使用

1、导入

from lxml import etree

2、基本使用

from lxml import etree

wb_data = """        <div>            <ul>                 <li><a>first item</a></li>                 <li><a>second item</a></li>                 <li><a>third item</a></li>                 <li><a>fourth item</a></li>                 <li><a>fifth item</a>             </li></ul>         </div>        """html = etree.HTML(wb_data)print(html)result = etree.tostring(html)print(result.decode("utf-8"))

从下面的结果来看，我们打印机html其实就是一个python对象，etree.tostring(html)则是不全里html的基本写法，补全了缺胳膊少腿的标签。

<element><div>            <ul>                 <li><a>first item</a></li>                 <li><a>second item</a></li>                 <li><a>third item</a></li>                 <li><a>fourth item</a></li>                 <li><a>fifth item</a>             </li></ul>         </div>        </element>

3、获取某个标签的内容(基本使用)，注意，获取a标签的所有内容，a后面就不用再加正斜杠，否则报错。

　　写法一

html = etree.HTML(wb_data)html_data = html.xpath('/html/body/div/ul/li/a')print(html)for i in html_data:    print(i.text)

<element>first itemsecond itemthird itemfourth itemfifth item</element>

写法二（直接在需要查找内容的标签后面加一个/text()就行）

html = etree.HTML(wb_data)html_data = html.xpath('/html/body/div/ul/li/a/text()')print(html)for i in html_data:    print(i)

<element>first itemsecond itemthird itemfourth itemfifth item</element>

4、打开读取html文件

#使用parse打开html的文件html = etree.parse('test.html')html_data = html.xpath('//*')<br>#打印是一个列表，需要遍历print(html_data)for i in html_data:    print(i.text)

html = etree.parse('test.html')html_data = etree.tostring(html,pretty_print=True)res = html_data.decode('utf-8')print(res)

打印：

<div>     <ul>         <li><a>first item</a></li>         <li><a>second item</a></li>         <li><a>third item</a></li>         <li><a>fourth item</a></li>         <li><a>fifth item</a></li>     </ul></div>

5、打印指定路径下a标签的属性（可以通过遍历拿到某个属性的值，查找标签的内容）

html = etree.HTML(wb_data)html_data = html.xpath('/html/body/div/ul/li/a/@href')for i in html_data:    print(i)

打印：

link1.htmllink2.htmllink3.htmllink4.htmllink5.html

6、我们知道我们使用xpath拿到得都是一个个的ElementTree对象，所以如果需要查找内容的话，还需要遍历拿到数据的列表。

查到绝对路径下a标签属性等于link2.html的内容。

html = etree.HTML(wb_data)html_data = html.xpath('/html/body/div/ul/li/a[@href="link2.html"]/text()')print(html_data)for i in html_data:    print(i)

打印：

['second item']

second item

7、上面我们找到全部都是绝对路径（每一个都是从根开始查找），下面我们查找相对路径，例如，查找所有li标签下的a标签内容。

html = etree.HTML(wb_data)html_data = html.xpath('//li/a/text()')print(html_data)for i in html_data:    print(i)

打印：

['first item', 'second item', 'third item', 'fourth item', 'fifth item']first itemsecond itemthird itemfourth itemfifth item

8、上面我们使用绝对路径，查找了所有a标签的属性等于href属性值，利用的是/---绝对路径，下面我们使用相对路径，查找一下l相对路径下li标签下的a标签下的href属性的值，注意，a标签后面需要双//。

html = etree.HTML(wb_data)html_data = html.xpath('//li/a//@href')print(html_data)for i in html_data:    print(i)

　打印：

['link1.html', 'link2.html', 'link3.html', 'link4.html', 'link5.html']link1.htmllink2.htmllink3.htmllink4.htmllink5.html

　9、相对路径下跟绝对路径下查特定属性的方法类似，也可以说相同。

html = etree.HTML(wb_data)html_data = html.xpath('//li/a[@href="link2.html"]')print(html_data)for i in html_data:    print(i.text)

打印：

[<element>]second item</element>

10、查找最后一个li标签里的a标签的href属性

html = etree.HTML(wb_data)html_data = html.xpath('//li[last()]/a/text()')print(html_data)for i in html_data:    print(i)

打印：

['fifth item']fifth item

11、查找倒数第二个li标签里的a标签的href属性

html = etree.HTML(wb_data)html_data = html.xpath('//li[last()-1]/a/text()')print(html_data)for i in html_data:    print(i)

打印：

['fourth item']fourth item

12、如果在提取某个页面的某个标签的xpath路径的话，可以如下图：

//*[@id="kw"]

解释：使用相对路径查找所有的标签，属性id等于kw的标签。

#!/usr/bin/env python# -*- coding:utf-8 -*-from scrapy.selector import Selector, HtmlXPathSelectorfrom scrapy.http import HtmlResponsehtml = """nbsp;html&gt;            <meta>        <title></title>

second item

"""response = HtmlResponse(url='http://example.com', body=html,encoding='utf-8')# hxs = HtmlXPathSelector(response)# print(hxs)# hxs = Selector(response=response).xpath('//a')# print(hxs)# hxs = Selector(response=response).xpath('//a[2]')# print(hxs)# hxs = Selector(response=response).xpath('//a[@id]')# print(hxs)# hxs = Selector(response=response).xpath('//a[@id="i1"]')# print(hxs)# hxs = Selector(response=response).xpath('//a[@href="link.html"][@id="i1"]')# print(hxs)# hxs = Selector(response=response).xpath('//a[contains(@href, "link")]')# print(hxs)# hxs = Selector(response=response).xpath('//a[starts-with(@href, "link")]')# print(hxs)# hxs = Selector(response=response).xpath('//a[re:test(@id, "id+")]')# print(hxs)# hxs = Selector(response=response).xpath('//a[re:test(@id, "id+")]/text()').extract()# print(hxs)# hxs = Selector(response=response).xpath('//a[re:test(@id, "id+")]/@href').extract()# print(hxs)# hxs = Selector(response=response).xpath('/html/body/ul/li/a/@href').extract()# print(hxs)# hxs = Selector(response=response).xpath('//body/ul/li/a/@href').extract_first()# print(hxs) # ul_list = Selector(response=response).xpath('//body/ul/li')# for item in ul_list:# v = item.xpath('./a/span')# # 或# # v = item.xpath('a/span')# # 或# # v = item.xpath('*/a/span')# print(v)

文章推荐

爬虫的解析方式五：XPath

python语言的特点是什么?

python第三方库是什么

python新手看什么书

python怎么测试安装

python怎么爬取数据