python爬虫 selector xpath提取网页内容

提取 网页内容 四大基本方法之

3.xpath提取网页内容 selector模块

XML 节点选择

表达式 描述
nodename 选取此节点的所有子节点。
/ 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。
. 选取当前节点。
.. 选取当前节点的父节点。
@ 选取属性。
bookstore 选取 bookstore 元素的所有子节点。
/bookstore 选取根元素 bookstore。
bookstore/book 选取属于 bookstore 的子元素的所有 book 元素。
//book 选取所有 book 子元素,而不管它们在文档中的位置。
bookstore//book 选择属于 bookstore 元素的后代的所有 book 元素,而不管它们位于 bookstore 之下的什么位置。
//@lang 选取名为 lang 的所有属性。
谓语路径表达式 结果:
/bookstore/book[1] 选取属于 bookstore 子元素的第一个 book 元素。
/bookstore/book[last()] 选取属于 bookstore 子元素的最后一个 book 元素。
/bookstore/book[last()-1] 选取属于 bookstore 子元素的倒数第二个 book 元素。
/bookstore/book[position()❤️] 选取最前面的两个属于 bookstore 元素的子元素的 book 元素。
//title[@lang] 选取所有拥有名为 lang 的属性的 title 元素。
//title[@lang=‘eng’] 选取所有 title 元素,且这些元素拥有值为 eng 的 lang 属性。
/bookstore/book[price>35.00] 选取 bookstore 元素的所有 book 元素,且其中的 price 元素的值须大于 35.00。
/bookstore/book[price>35.00]/title 选取 bookstore 元素中的 book 元素的所有 title 元素,且其中的 price 元素的值须大于 35.00。
通配符 描述
* 匹配任何元素节点。
@* 匹配任何属性节点。
node() 匹配任何类型的节点。
/bookstore/* 选取 bookstore 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。
选取若干路径 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。

例:

准备要提取的内容

html='''



        Harry Potter
        29.99
    
123456
Learning XML 39.95 3333333333333333 4444444444444444
'''

1.转换成对象,

提取所有book标签

from scrapy.selector import Selector
selector = Selector(text=html)  #转换成一个对象
print(selector)     #自动添加\<html>\<body>标签
#//book  选取所有book标签
print(selector.xpath('//book'))

2.获取第二个book标签

# 方法一  列表下标
print(selector.xpath('//book')[1])
# 方法二 xpath字符串类,,下标从一开始
#   选取某某内的第一个(只要是第一个都可以)
print(selector.xpath('//book[1]')[1])

#方法三,找父类,再定位指定的位置
print(1,selector.xpath('//div')[0].xpath('./book[1]'))  #返回一个列表
print(2,selector.xpath('//div')[0].xpath('./book[1]')[0])
print(3,selector.xpath('//div')[0].xpath('./book'))
print(4,selector.xpath('//div')[0].xpath('book'))
print(5,selector.xpath('//div')[0].xpath('book')[0])

3. @表示的是某某标签内的属性(

print(selector.xpath('//@lang'))
#指定属性
print(selector.xpath('//title[@lang="eng2"]'))
/的使用(绝对路径)
print(selector.xpath('/html/body/bookstore/book/div/book'))
bookstort = selector.xpath('//bookstore')[0]
print(bookstort.xpath('./book/div/book'))
选取最后一个book和倒数第二个book,输出前三个book
print(bookstort.xpath('./book[last()]'))
print(bookstort.xpath('./book[last()-1]'))
#输出前三个(选择相应的位置)
print(bookstort.xpath('./book[position()<4]'))
有纯数字可以按条件选择
print(bookstort.xpath('./book[price>35]'))

选取多个标签

print(bookstort.xpath('//title|//price'))

你可能感兴趣的:(爬虫,提取网页内容,xpath)