python--lxml

Posted 2021-02-01 traditional

‘‘‘
xpath语法：
/：在子节点里面找
//:在子子孙孙里面找
//div：查找当前网页的所有div标签
//div/p：先查找所有div标签，再找div的子标签中的p标签
//div//p：现查找所有的div标签，再从div的子孙标签中找到p标签
//div/a：先查找所有div标签，再找div的子标签中的a标签
//div/a[@id]：先查找所有div标签，再找div的子标签中的拥有id属性的a标签
 
//div/a[1]：先查找所有的div标签，再找div的子标签中的第一个a标签，所以这里的索引是从1开始的，不是0
//div/a[last()]：和上面一样，不过这里是最后一个a标签
//div/a[position()<3]：前两个a标签
//div/a[@price]：拥有price属性的a标签
//div/a[@price=10]：拥有price属性，并且值等于10的a标签。当然里面还支持>,<,>=,<=等等
 
//div/*：*表示通配符，选取所有div的子标签
//div/a[@*]：选取所有div的子标签中带有属性的a标签，什么属性都可以，id、class、href等等都可以
 
//div/a | //div/p：选取所有的div的子标签中的所有a元素和p元素
 
//div/a[contains(@class, "BDE")]：找出所有div的子标签中的class属性包含"BDE"的a标签
//div/a[starts-with(@class, "BDE")]：找出所有div的子标签中的class属性以"BDE"开头的a标签
 
如果我想获取属性里面具体的值怎么办？比如我找到了a标签，我想要标签里面的href属性，该怎么做呢？其实也很简单。
//a/@href：获取href属性
//a/@class：获取class属性
//a/text()：获取文本
 
因此我们的文本也可以用来定位
//a[contains(text(), "清纯可爱")]：找出文本包含"清纯可爱"的a标签
 
我们可能注意到：@href、@class、text()前面只有一个/，如果是两个/的话，比如div标签，它里面是没有href属性的。但是div里面有a标签，a标签里面有href属性
我们用//div/@href是获取不到的，因为div没有href属性
但我们用//div//@href是可以获取到的，获取的是a标签里面的href，但是//div/@href只是会获取当前div的href
‘‘‘
 
from lxml import etree
import requests
 
 
res = requests.get("http://www.baidu.com",
                   headers={"User-Agent": "Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/70.0.3538.110 Safari/537.36"})
res.encoding = res.apparent_encoding
 
# 调用etree内部的HTML方法，将html文本传进去，便得到一个可以进行xpath的对象
# 我们可以调用etree.tostring(html)，会得到一个字节对象，再解码会得到字符串，这里就不演示了。
html = etree.HTML(res.text)
# 找出class属性等于"toindex"的a标签
result = html.xpath("//a[@class=‘toindex‘]")
for res in result:
    # 打印的结果是一个标签
    print(res)  # <Element a at 0x30cb888>
    # 可以调用tostring转成字节
    print(etree.tostring(res))
 
    # 内部还有一个etree.parse()方法，可以直接传入html文件或者xml文件的路径，进行解析
 
# 获取一下内部属性
result = html.xpath("//a[@class=‘toindex‘]/@href")
# 由于标签只有一个，所以列表里面只有一个元素
print(result)  # [‘/‘]
result = html.xpath("//a[@class=‘toindex‘]/@class")
print(result)  # [‘toindex‘]
result = html.xpath("//a[@class=‘toindex‘]/text()")
print(result)  # [‘百度首页‘]
 
 
result = html.xpath("//div[contains(@class, ‘tab_inner‘)]")
for res in result:
    print(res)  # <Element div at 0x2644f88>
    print(etree.tostring(res))  # b‘<div class="s_tab_inner">
    <b>网页</b>
    <a href=。。。。。。
    # 我们看到了，如果不是获取href、class、text等属性的时候，得到的依旧是一个Element对象，这就意味着我们可以继续使用xpath
    titles = res.xpath(".//a/text()")  # 注意这里是.//表示//，因为我们要在当前元素的子孙中去查找
    print(titles)  # [‘资讯‘, ‘贴吧‘, ‘知道‘, ‘音乐‘, ‘图片‘, ‘视频‘, ‘地图‘, ‘文库‘, ‘更多?‘]
    # 我们试试不加.
    titles = res.xpath("//a/text()")
    # 可以看到内容就多了，因为即便是res.xpath，但制定//的话依旧会在全局html页面中查找
    print(titles)  # [‘手写‘, ‘拼音‘, ‘关闭‘, ‘百度首页‘, ‘设置‘, ‘登录‘, ‘新闻‘, ‘hao123‘, ‘地图‘, ‘视频‘, ‘贴吧‘, ‘学术‘, ‘登录‘, ‘设置‘, ‘更多产品‘, ‘资讯‘, ‘贴吧‘, ‘知道‘, ‘音乐‘, ‘图片‘, ‘视频‘, ‘地图‘, ‘文库‘, ‘更多?‘, ‘把百度设为主页‘, ‘关于百度‘, ‘Aboutxa0xa0Baidu‘, ‘百度推广‘, ‘使用百度前必读‘, ‘意见反馈‘, ‘京公网安备11000002000001号‘]
 
    # 进一步证实了两者结果是一样的
    print(res.xpath("//a/text()") == html.xpath("//a/text()"))  # True