终于到了bs4了,有一说一,用了这么久的筛选数据的方法,用的最多的还是xpath,xpath无论是初学者理解还是使用都很方便,可以在我的实战文章里看到xpath的使用,
xpath
1、xpath安装与使用
安装
- 安装lxml库
pip install lxm -i pip源
2、解析流程与使用
解析流程
- 实例化一个etree的对象,把即将被解析的页面源码加载到该对象
- 调用该对象的xpath方法结合着不同形式的xpath表达进行标签定位和数据提取
使用
- 导入lxml.etree
from lxml import etree - etree.parse()
解析本地html文件
html_tree = etree.parse('XX.html') - etree.HTML()(建议)
解析网络的html字符串
html_tree = etree.HTML(html字符串) - html_tree.xpath()
使用xpath路径查询信息,返回一个列表
注意:如果lxml解析本地HTML文件报错可以按照如下添加参数
parser = etree.HTMLParser(encoding="utf-8")
selector = etree.parse('./lol_1.html',parser=parser)
result=etree.tostring(selector)
3、xpath语法
XPath 是一门在 XML 文档中查找信息的语言。XPath 用于在 XML 文档中通过元素和属性进行导航。
- 路径表达式
表达式 | 描述 |
/ | 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。 |
./ | 当前节点再次进行xpath |
@ | 选取属性。 |
实例
在下面的表格中,我们已列出了一些路径表达式以及表达式的结果:
路径表达式 | 结果 |
/html | 选取根元素。注释:假如路径起始于正斜杠( / ),则此路径始终代表到某元素的绝对路径! |
//li | 选取所有li 子元素,而不管它们在文档中的位置。 |
//ul//li | 选择属于 ul元素的后代的所有 li元素,而不管它们位于 ul之下的什么位置。 |
节点对象.xpath('./div') | 选择当前节点对象里面的第一个div节点 |
//@href | 选取名为 href 的所有属性。 |
- 谓语(Predicates)
谓语用来查找某个特定的节点或者包含某个指定的值的节点。
谓语被嵌在方括号中。
实例
在下面的表格中,我们列出了带有谓语的一些路径表达式,以及表达式的结果:
路径表达式 | 结果 |
/ul/li[1] | 选取属于 ul子元素的第一个 li元素。 |
/ul/li[last()] | 选取属于 ul子元素的最后一个 li元素。 |
/ul/li[last()-1] | 选取属于 ul子元素的倒数第二个 li元素。 |
//ul/li[position()<3] | 选取最前面的两个属于 ul元素的子元素的 li元素。 |
//a[@title] | 选取所有拥有名为 title的属性的 a元素。 |
//a[@title='xx'] | 选取所有 a元素,且这些元素拥有值为 xx的 title属性。 |
- 选取未知节点
XPath 通配符可用来选取未知的 XML 元素。
通配符 | 描述 |
* | 匹配任何元素节点。 一般用于浏览器copy xpath会出现 |
@* | 匹配任何属性节点。 |
node() | 匹配任何类型的节点。 |
实例
在下面的表格中,我们列出了一些路径表达式,以及这些表达式的结果:
路径表达式 | 结果 |
/ul/* | 选取 ul元素的所有子元素。 |
//* | 选取文档中的所有元素。 |
//title[@*] | 选取所有带有属性的 title 元素。 |
//node() | 获取所有节点 |
选取若干路径
通过在路径表达式中使用“|”运算符,您可以选取若干个路径。
实例
在下面的表格中,我们列出了一些路径表达式,以及这些表达式的结果:
路径表达式 | 结果 |
//book/title | //book/price | 选取 book 元素的所有 title 和 price 元素。 |
//title | //price | 选取文档中的所有 title 和 price 元素。 |
/bookstore/book/title | //price | 选取属于 bookstore 元素的 book 元素的所有 title 元素,以及文档中所有的 price 元素。 |
- 逻辑运算
- 查找所有id属性等于head并且class属性等于s_down的div标签
//div[@id="head" and @class="s_down"]
- 选取文档中的所有 title 和 price 元素。
//title | //price
注意: “|”两边必须是完整的xpath路径
- 属性查询
- 查找所有包含id属性的div节点
//div[@id]
- 查找所有id属性等于maincontent的div标签
//div[@id="maincontent"]
- 查找所有的class属性
//@class
- //@attrName
//li[@name="xx"]//text() # 获取li标签name为xx的里面的文本内容
- 获取第几个标签 索引从1开始
tree.xpath('//li[1]/a/text()') # 获取第一个
tree.xpath('//li[last()]/a/text()') # 获取最后一个
tree.xpath('//li[last()-1]/a/text()') # 获取倒数第二个
- 内容查询
查找所有div标签下的直接子节点h1的内容
//div/h1/text()
- 属性值获取
//div/a/@href 获取a里面的href属性值
- 获取所有
//* #获取所有
//*[@class="xx"] #获取所有class为xx的标签
- 获取节点内容转换成字符串
c = tree.xpath('//li/a')[0]
result=etree.tostring(c, encoding='utf-8')
print(result.decode('UTF-8'))