python中xpath爬虫源代码_python中的爬虫神器 XPath 介绍

XPath即为XML路径语言，它是一种用来确定XML(标准通用标记语言的子集)文档中某部分位置的语言。XPath基于XML的树状结构，提供在数据结构树中找寻节点的能力。 xPath 同样也支持HTML.

XPath 是一门小型的查询语言，这里我们将它与 python 爬虫相结合来介绍。

1. python 中如何安装使用XPath

step1: 安装 lxml 库。

step2: from lxml import etree

step3: Selector = etree.HTML(网页源代码)

step4: Selector.xpath(一段神奇的符号)

2. XPath 语法

XPath 使用路径表达式来选取 XML 文档中的节点或节点集。节点是通过沿着路径 (path) 或者步 (steps) 来选取的。

XPath 使用路径表达式在 XML 文档中选取节点。节点是通过沿着路径或者 step 来选取的。

假设有如下的文档：

Harry Potter

29.99

Learning XML

39.95

下面列出了最有用的路径表达式：

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

在下面的表格中，我们已列出了一些路径表达式以及表达式的结果：

路径表达式

结果

bookstore

选取 bookstore 元素的所有子节点

/bookstore

选取根元素 bookstore。

注释：假如路径起始于正斜杠( / )，则此路径始终代表到某元素的绝对路径！

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

鉴于篇幅的，只列出了 xpath 的部分语法，更多实例，可以参考 w3chool

的资料

3. python 中的使用示例

假设有如下 html 源码：

• 有效信息1
• 有效信息2
• 有效信息3

• 无效信息1
• 无效信息2
• 无效信息3

陈浩的博客

点我打开

我们假设把上面的源码已经赋值给了字符串变量 html

:

from lxml import etree

# 假设已经存在 html 变量，值为上面的源码

selector = etree.HTML(html)

# 提取 li 中的有效信息123

content = selector.xpath('//ul[@id="useful"]/li/text()')

for each in content:

print(each)

#提取 a 中的属性

link = selector.xpath('//a/@href')

for each in link:

print(each)

title = selector.xpath('//a/@title')

for each in title:

print(each)