详解xpath

什么是xpath

xpath其实就是一个html标签定位器，通过一些表达式定位到你想提取信息的标签位置，从而方便做进一步解析和提取。

xpath解析流程

1. 通过etree.HTML("网页源码")方法获取一个etree对象
2. 使用xpath定位器进行标签定位
3. 使用xpath进行属性和文本的提取

xpath表达式

表达式	描述
nodename	选取此节点的所有子节点。
/	从根节点来选择元素。
//	从匹配选择的当前节点来对文档中的节点进行选择。
.	选取当前节点。
…	选取当前节点的父节点。
@	选取属性。

例如
html源码

xml version="1.0" encoding="UTF-8"?> 
<bookstore> 

<book>
 <title lang="eng">Harry Potter</title> 
<price>29.99</price> 
</book> 

<book> 
<title lang="eng">Learning XML</title>
 <price>39.95</price>
 </book> 

</bookstore>

路径表达式	选取结果
bookstore	选取bookstore的所有子节点
/bookstore	选取根节点bookstore
bookstore/book	选取以bookstore为根的所有book子元素
//book	选取所有的book子元素，而不管他们在文档中的位置
bookstore//book	选取属于bookstore元素的后代的所有book元素，而不管他们位于bookstore下的什么位置
//@lang	选取名为 lang 的所有属性。

通配符

通配符	描述
*	匹配任何元素结点
@*	匹配任何属性结点
node()	匹配任何类型结点

例如

路径表达式	选取结果
/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。

以爬取豆瓣书籍top250实战项目为例：

1、通过etree.HTML(“网页源码”)方法获取一个etree对象

response = requests.get(url, headers=headers, timeout=10)
html = etree.HTML(response.text)

2、使用xpath定位器进行标签定位
源码：

books = html.xpath('//tr[@class="item"] ')

3、使用xpath进行属性和文本的提取

html源码：

<div class="pl2"> <a href="url" title="红楼梦">红楼梦 </div>
xpath提取书名

books_name = html.xpath('//div[@class="pl2"]/a/@title')

html源码：

<span class="rating_nums">9.6</span> text()方法输出该html标签的文本信息
xpath提取评分
rating_nums = html.xpath('//span[@class="rating_nums"]/text()')

参考资料：菜鸟教程