【Python】爬虫之使用etree进行xpath元素定位

操作系统：macOS Mojave
python版本：python3.7
依赖库：requests、etree

关于依赖库的安装，建议使用anaconda+pycharm的组合方式，每个依赖库的安装又会基于其他依赖包的安装，这时候anaconda的作用便是自动帮你下载安装对应的依赖，不需要人工去查找，类似于java maven的三方库管理，python常见IDE就是pycharm了。pycharm怎么关联anaconda的依赖包呢？请看下图设置：

0-0、打开pycharm-preferences，进入设置

image.png

0-1、选择anaconda所在的python执行文件

image.png

1、网站源代码获取及转换

import requests
from lxml import etree
 
r=requests.get("http://www.baidu.com")
#print ("状态码：",r.status_code)
#print ("网站源代码",r.text)
#print ("头部请求",r.headers)
 
html = etree.HTML(r.text)  # 调用HTML类进行初始化
etreeResult = etree.tostring(html) # 将其转化为字符串类型，etree类型
strResult=etreeResult.decode('utf-8') #转化为utf-8编码格式，此时已是str类型

2、节点、属性值、内容的获取

语法如下：

image.png

示例代码：

import requests
from lxml import etree
 
r=requests.get("http://www.baidu.com")
html = etree.HTML(r.text)  # 调用HTML类进行初始化
 
resultAll = html.xpath('//*')    #选取所有节点
#print("获取所有节点：",resultAll)
resultDivAll = html.xpath('//div')    #选取div子孙节点
#print("获取div所有节点：",resultDivAll)
resultDiv_img = html.xpath('//div/img')    #选取div下img节点
#print("获取div节点下img节点：",resultDiv_img)
resultDiv_imgSrc = html.xpath('//div/img/@src')    #获取div_img的src属性值
print("获取div节点下img的src值：",resultDiv_imgSrc)

对应输出的值：

image.png