python中xpath的基本使用

标签：a标签   实验   使用方法   image   com   导入   文章   解析   基本   

写在前面的话 ：上一篇文章我们利用requests进行了一些爬虫小实验，但是想要更顺利的深入爬虫学习，了解一些解析网页的方法肯定是必须的，所以接下来我们就一起来学习lxml.etree模块的基础使用方法吧

温馨提示 ：博主使用的系统为win10，使用的python版本为3.6.5

一、XPATH简介

若想了解xpath，我们首先需要知道什么是xml文档，其实简单地说，xml文档就是由一系列节点构成的树，例如

    
        

            
Hello world

            Click here
        

    

xml文档常见的节点有

• 根节点：html
• 元素节点：html、body、div、p、a
• 属性节点：href
• 文本节点：Hello world、Click here

xml文档常见的节点间关系有

• 父子：p和a是div的子节点，反之，div是p和a的父节点
• 兄弟：p和a为兄弟节点
• 祖先/后代：body、div、p、a都是html的后裔节点，反之，html是body、div、p、a的祖先节点

而xpath则是一种用来确定xml文档中某部分位置的语言，它的全称是XML路径语言(XML Path Language)，对于网页解析来说，xpath比正则表达式来得更方便更简洁，故python中专门提供了一个特殊的模块——lxml库中的etree模块用于处理xpath，我们可以使用以下命令进行安装

$ pip install lxml

二、XPATH的基本使用方法

1. 导入模块

>>> from lxml import etree

在这里为了简便起见，我们自己构造一个简单的xml文档

>>> sc = ‘‘‘






            Image1

            Image2

            Image3

            Image4

            Image5

‘‘‘
2. 构造_Element对象
#可以使用HTML()方法构造_Element对象并自动补全不完整代码
>>> html = etree.HTML(sc)
#构造对象结果检查
>>> type(html)

#补全代码结果检查，注意tostring()方法用于将_Element对象转化成bytes类型字符串，decode(‘utf-8‘)方法用于将bytes类型字符串转化为str类型字符串
>>> print(etree.tostring(html).decode(‘utf-8‘))

    






            Image1

            Image2

            Image3

            Image5


    

3. 匹配结果
可以使用xpath()方法进行匹配，注意该方法返回匹配列表，且列表中的每一项都是_Element对象
（1）/ 表示子代，例如E1/E2表示E1子节点中的E2节点，/E表示文档子节点中的E节点
>>> test = html.xpath(‘/html/body/div/a‘)
>>> print(test)
[, , , , ]
（2）// 表示后代，例如E1//E2表示E1后代节点中的E2节点，//E表示文档后代节点中的E节点
>>> test = html.xpath(‘//a‘)
>>> print(test)
[, , , , ]
（3）* 表示属性节点，例如E/*表示E子节点中的所有节点
>>> test = html.xpath(‘/html/*‘)
>>> print(test)
[, ]
（4）text() 表示文本节点，例如E/text()表示E子节点中的文本节点
>>> test = html.xpath(‘/html/head/title/text()‘)
>>> print(test)
[‘Example website‘]
（5）@ATTR 表示属性节点，例如E/@ATTR表示E子节点中的ATTR属性节点
>>> test = html.xpath(‘//a/@href‘)
>>> print(test)
[‘image1.html‘, ‘image2.html‘, ‘image3.html‘, ‘image4.html‘, ‘image5.html‘]
（6）谓语 用于匹配指定的标签
#指定第二个a标签
>>> test = html.xpath(‘//a[2]‘)
>>> print(test)
[]

#指定前两个a标签
>>> test = html.xpath(‘//a[position()>> print(test)
[, ]

#指定带有href属性的a标签
>>> test = html.xpath(‘//a[@href]‘)
>>> print(test)
[, , , , ]

#指定带有href属性且值为image1.html的a标签
>>> test = html.xpath(‘//a[@href="http://www.soscw.com/image1.html"]‘)
>>> print(test)
[]
4. _Element对象的常用属性与方法
我们先用xpath()方法得到匹配列表tests，tests中的每一项都是一个 _Element对象
>>> tests = html.xpath(‘//a‘)
（1）属性tag 返回标签名
>>> for test in tests:
        test.tag
‘a‘
‘a‘
‘a‘
‘a‘
‘a‘
（2）属性 attrib 返回属性与值组成的字典
>>> for test in tests:
        test.attrib
{‘href‘: ‘image1.html‘}
{‘href‘: ‘image2.html‘}
{‘href‘: ‘image3.html‘}
{‘href‘: ‘image4.html‘}
{‘href‘: ‘image5.html‘}
（3）方法 get() 返回指定属性的值
>>> for test in tests:
        test.get(‘href‘)
‘image1.html‘
‘image2.html‘
‘image3.html‘
‘image4.html‘
‘image5.html‘
（4）属性 text 返回文本值
>>> for test in tests:
        test.text
‘Image1‘
‘Image2‘
‘Image3‘
‘Image4‘
‘Image5‘
写在后面的话 ：现在我们已经学习完requests和lxml.etree模块的基础使用方法了，下一篇文章我们将利用它们进行一个基础的爬虫实战训练，谢谢大家
python中xpath的基本使用
标签：a标签   实验   使用方法   image   com   导入   文章   解析   基本   
原文地址：https://www.cnblogs.com/wsmrzx/p/9520942.html