xpath

1、xpath安装与使用

安装

• 安装lxml库

  pip install lxml -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()❤️]	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'))
  

练习

抓取豆瓣的标题，封面图片标签，图片的src，简介，评分

当前包含虚构类和非虚构类