5.xpath解析

Posted 2023-02-22 Mrs.King_UP

1. xpath是XML文档中搜索内容的一门语言，html是XML的一个子集

   xpath（XML Path Language），即 XML 路径语言，最初设计是用来搜寻XML文档的，但是它同样适用于 HTML 文档的搜索，通过 Python 的 LXML 库利用 XPath 进行 HTML 的解析，使用路径表达式来选取XML文档中的节点和节点集，节点是通过沿着路径来选取的
   from lxml import etree

2. 常用规则：
   nodename 选取此节点的所有子节点
   / 从当前节点选取直接子节点
   // 从当前节点选取子孙节点
   . 选取当前节点
   … 选取当前节点的父节点
   @选取属性

   eg:
   //title[@lang=’eng’] 选择所有名称为title，且属性为lang=eng的节点,

3. <book>
   <id>1</id>
   <name>野花遍地看</name>
   <price>1.23</price>
   <author>
   <nick>周大强</nick>
   <nick>周芷若</nick>
   </author>
   </book>

4. 语法规则：通过节点间的结构关系找
   /book/price

5. 安装lxml：pip install lxml -I xxxxx

6. xpath解析-1：
   from lxml import etree
   tree=etree.XML()

• tree.xpath(’/book/name/text()’) #text()拿出来其中的文本 ，使用list列表返回，/表示儿子
• tree.xpath(’/book/author//nick/text()’) # //表示找author节点的后代中为nick的节点，并取其中的值(这个后代包括儿子和孙子)
• tree.xpath(‘/book/name/*/nick/text()’) # *表示任意节点，通配符

7. xpath解析-2：
   tree=etree.parse(“a.html”)#加载html文件

• tree.xpath(‘/html/body/ul/li[1]/a/text()’) #只获取其中的第一个li，xpath从1开始
• tree.xpath(‘/html/body/ol/li/a[@href=”dapao”]/text()’)# 获取具有属性href且href=”dapao”的a标签的文本
• list_li=tree.xpath(‘html/body/ol/li’) #获取li的列表
  for li in list_li:
  #从每一个li中提取文字信息
  li.xpath(‘./a/text()’) # 在li中继续寻找，为相对路径，为./的形式
  li.xpath(‘./a/@href’)# 获取a标签的href的属性值
• tree.xpath(‘/html/body/ul/li/a/@href’) #获取a中该属性的值
• 从检查中直接复制xpath：首先定位到元素的位置，再通过右键检查，右键有复制xpath

8. xpath实现猪八戒官网信息爬取
9. 轴
   ancestor 选取当前节点的所有父辈
   ancestor-or-self选取当前节点的所有父辈和当前节点
   attribute 选取当前节点的所有属性
   child选取当前节点的所有子元素