Python爬虫数据提取方式——使用xpath提取页面数据

xpath：跟re,bs4,pyquery一样，都是页面数据提取方法。

                xpath是根据元素的路径来查找页面元素。

安装lxml包：pip install lxml

HTML实例:

html = """
    

        

            
One
            
Two
            
Three
            
Four
            

                百度一下
                
第一段
                
第2段
                
第3段
                

                    第4段
                    法大师傅大师傅
                
                
第5段
                
第6段
            
        
    
"""

将一个Html文件解析成为对象：

首先导入：

# element tree: 文档树对象
from lxml.html import etree

将HTML解析成为对象：

#方式一：使用较多
obj= etree.HTML("index.html")

#方式二：
obj = etree.parse('index.html')

print(type(obj))

开始查找元素或数据：

注意：

1、 //ul: 从obj中查找ul，不考虑ul所在的位置。
2、/li: 找到ul下边的直接子元素li，不包含后代元素。
3、 [@class="one"]: 给标签设置属性，用于过滤和筛选

4、xpath()返回的是一个列表：比如

one_li = obj.xpath('//ul/li[@class="one"]')[0]

获取one_li的文本内容：

one_li = obj.xpath('//ul/li[@class="one"]')[0]
print(one_li.xpath('text()')[0])

# 上述写法的合写方式
print(obj.xpath('//ul/li[@class="one"]/text()')[0])

 获取所有li的文本内容：

all_li = obj.xpath('//ul/li/text()')

获取所有li的文本内容以及class属性的值：

all_li = obj.xpath('//ul/li')
for li in all_li:
    class_value = li.xpath('@class')[0]
    text_value = li.xpath('text()')[0]
    print(class_value, text_value)

获取div标签内部的所有文本：

注意：//text()：获取所有后代元素的文本内容
           /text()：获取直接子元素的文本，不包含后代元素

print(obj.xpath('//div[@id="inner"]//text()'))

获取ul中第一个li  [1]（[1]:第一个li）的文本：

print(obj.xpath('//ul/li[1]/text()'))

查找类名中包含four的li的文本内容：

print(obj.xpath('//ul/li[contains(@class, "four")]/text()'))