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。
参照
二、安装
|
1
|
pip3 install lxml
|
三、使用
1、导入
|
1
|
from
lxml
import
etree
|
2、基本使用
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
|
from
lxml
import
etree
wb_data
=
"""
"""
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。
|
1
2
3
4
5
6
7
8
9
10
11
|
|
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
|
1
2
3
4
5
6
7
8
9
10
11
12
13
|
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)
first item
second item
third item
fourth item
fifth item
|
写法二（直接在需要查找内容的标签后面加一个/text()就行）
|
1
2
3
4
5
6
7
8
9
10
11
12
|
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)
first item
second item
third item
fourth item
fifth item
|
4、打开读取html文件
|
1
2
3
4
5
6
|
#使用parse打开html的文件
html
=
etree.parse(
'test.html'
)
html_data
=
html.xpath(
'//*'
)
#打印是一个列表，需要遍历
print
(html_data)
for
i
in
html_data:
print
(i.text)
|
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
|
html
=
etree.parse(
'test.html'
)
html_data
=
etree.tostring(html,pretty_print
=
True
)
res
=
html_data.decode(
'utf-8'
)
print
(res)
打印：
|
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）
|
1
2
3
4
5
6
7
8
9
10
11
|
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.html
link2.html
link3.html
link4.html
link5.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。
|
1
2
3
4
5
6
7
8
9
|
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。
|
1
2
3
4
5
6
7
8
9
10
11
12
13
|
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 item
second item
third item
fourth item
fifth 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//。
|
1
2
3
4
5
6
7
8
9
10
11
12
13
|
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.html
link2.html
link3.html
link4.html
link5.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。
|
1
2
3
4
5
6
7
8
9
|
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：
[second item
|
10、查找最后一个li标签里的a标签的href属性
|
1
2
3
4
5
6
7
8
9
|
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
|
1
2
3
4
5
6
7
8
9
|
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。
