站長資訊網(wǎng)本篇文章給大家?guī)砹岁P(guān)于python的相關(guān)知識(shí)，其中主要介紹了xpath的相關(guān)問題，XPath，全稱XML Path Language，即XML路徑語言，它是一門在XML文檔中查找信息的語言，希望對(duì)大家有幫助。
推薦學(xué)習(xí)：python教程
XPath，全稱XML Path Language，即XML路徑語言，它是一門在XML文檔中查找信息的語言，它最初是用來搜尋XML文檔的，但是它同樣適用于HTML文檔的搜索
XPath的選擇功能十分強(qiáng)大，它提供了非常簡明的路徑選擇表達(dá)式，另外，它還提供了超過100個(gè)內(nèi)建函數(shù)，用于字符串、數(shù)值、時(shí)間的匹配以及節(jié)點(diǎn)、序列的處理等，幾乎所有我們想要定位的節(jié)點(diǎn)，都可以用XPath來選擇
xpath解析原理:
-
實(shí)現(xiàn)標(biāo)簽的定位：實(shí)例化一個(gè)etree的對(duì)象，且需要將被解析的頁面源碼數(shù)據(jù)加載到該對(duì)象中。
-
調(diào)用etree對(duì)象中的xpath方法結(jié)合著xpath表達(dá)式實(shí)現(xiàn)標(biāo)簽的定位和內(nèi)容的捕獲。
環(huán)境的安裝
pip install lxml
lxml是python的一個(gè)解析庫，支持HTML和XML的解析，支持XPath解析方式，而且解析效率非常高
如何實(shí)例化一個(gè)etree對(duì)象
1.將本地的html文檔中的源碼數(shù)據(jù)加載到etree對(duì)象中:
etree. parse(filePath)#你的文件路徑
2.可以將從互聯(lián)網(wǎng)上獲取的源碼數(shù)據(jù)加載到該對(duì)象中
etree.HtML('page_ text')#page_ text互聯(lián)網(wǎng)中響應(yīng)的數(shù)據(jù)
xpath 表達(dá)式
| 表達(dá)式 | 描述 |
|---|---|
| nodename | 選取此節(jié)點(diǎn)的所有子節(jié)點(diǎn) |
| / | 表示的是從根節(jié)點(diǎn)開始定位。表示的是一個(gè)層級(jí)。 |
| // | 表示的是多個(gè)層級(jí)。可以表示從任意位置開始定位。 |
| . | 選取當(dāng)前節(jié)點(diǎn) |
| … | 選取當(dāng)前節(jié)點(diǎn)的父節(jié)點(diǎn) |
| @ | 選取屬性 |
| * | 通配符，選擇所有元素節(jié)點(diǎn)與元素名 |
| @* | 選取所有屬性 |
| [@attrib] | 選取具有給定屬性的所有元素 |
| [@attrib=‘value’] | 選取給定屬性具有給定值的所有元素 |
| [tag] | 選取所有具有指定元素的直接子節(jié)點(diǎn) |
| [tag=‘text’] | 選取所有具有指定元素并且文本內(nèi)容是text節(jié)點(diǎn) |
對(duì)上面表達(dá)式的實(shí)例詳解
這是一個(gè)HTML的文檔
<html lang="en"><head> <meta charset="UTF-8" /> <title>測試bs4</title></head><body> <p> <p>百里守約</p> </p> <p class="song"> <p>李清照</p> <p>王安石</p> <p>蘇軾</p> <p>柳宗元</p> <a href="http://www.song.com/" title="趙匡胤" target="_self"> <span>this is span</span> 宋朝是最強(qiáng)大的王朝，不是軍隊(duì)的強(qiáng)大，而是經(jīng)濟(jì)很強(qiáng)大，國民都很有錢</a> <a href="" class="du">總為浮云能蔽日,長安不見使人愁</a> <img src="http://www.baidu.com/meinv.jpg" alt="" /> </p> <p class="tang"> <ul> <li><a href="http://www.baidu.com" title="qing">清明時(shí)節(jié)雨紛紛,路上行人欲斷魂,借問酒家何處有,牧童遙指杏花村</a></li> <li><a href="http://www.163.com" title="qin">秦時(shí)明月漢時(shí)關(guān),萬里長征人未還,但使龍城飛將在,不教胡馬度陰山</a></li> <li><a href="http://www.126.com" alt="qi">岐王宅里尋常見,崔九堂前幾度聞,正是江南好風(fēng)景,落花時(shí)節(jié)又逢君</a></li> <li><a href="http://www.sina.com" class="du">杜甫</a></li> <li><a href="http://www.dudu.com" class="du">杜牧</a></li> <li><b>杜小月</b></li> <li><i>度蜜月</i></li> <li><a href="http://www.haha.com" id="feng">鳳凰臺(tái)上鳳凰游,鳳去臺(tái)空江自流,吳宮花草埋幽徑,晉代衣冠成古丘</a></li> </ul> </p></body></html>
從瀏覽器中打開是這樣的
為了方便直觀，我們對(duì)寫個(gè)HTML文件進(jìn)行本地讀取進(jìn)行測試
子節(jié)點(diǎn)和子孫節(jié)點(diǎn)的定位 / 和 //
先來看子節(jié)點(diǎn)和子孫節(jié)點(diǎn)，我們從上往下找p這個(gè)節(jié)點(diǎn)，可以看到p的父節(jié)點(diǎn)是body，body父節(jié)點(diǎn)是html
定位到這個(gè)HTML的p對(duì)象中，看上面html源碼，可以知道有三個(gè)p對(duì)象
我們通過三種不同的方法來輸出這個(gè)節(jié)點(diǎn)的信息，可以看到輸出的是三個(gè)一樣的Element，也就是這三種方法實(shí)現(xiàn)的功能是一樣的。
import requestsfrom lxml import etree tree = etree.parse('test.html')r1=tree.xpath('/html/body/p') #直接從上往下挨著找節(jié)點(diǎn)r2=tree.xpath('/html//p')#跳躍了一個(gè)節(jié)點(diǎn)來找到這個(gè)p節(jié)點(diǎn)的對(duì)象r3=tree.xpath('//p')##跳躍上面所有節(jié)點(diǎn)來尋找p節(jié)點(diǎn)的對(duì)象r1,r2,r3>>([<Element p at 0x19d44765108>, <Element p at 0x19d447658c8>, <Element p at 0x19d44765588>], [<Element p at 0x19d44765108>, <Element p at 0x19d447658c8>, <Element p at 0x19d44765588>], [<Element p at 0x19d44765108>, <Element p at 0x19d447658c8>, <Element p at 0x19d44765588>])
屬性定位
如果我只想要p里面song這一個(gè)標(biāo)簽，就可以對(duì)其屬性定位
當(dāng)然返回的還是一個(gè)element
r4=tree.xpath('//p[@class="song"]')r4>>>[<Element p at 0x19d447658c8>]
索引定位
如果我只想獲得song里面的蘇軾的這個(gè)標(biāo)簽
我們找到了song，/p可以返回里面的所有標(biāo)簽，
tree.xpath('//p[@class="song"]/p')>>[<Element p at 0x19d4469a648>, <Element p at 0x19d4469a4c8>, <Element p at 0x19d4469af88>, <Element p at 0x19d4469a148>]
這個(gè)單獨(dú)返回的蘇軾的p標(biāo)簽，要注意的是這里的索引不是從0開始的，而是1
tree.xpath('//p[@class="song"]/p[3]')[<Element p at 0x19d4469af88>]
取文本
比如我想取杜牧這個(gè)文本內(nèi)容
和上面一樣，我們要定位到杜牧的這個(gè)a標(biāo)簽，首先要找到他的上一級(jí) li ，這是第五個(gè) li 里面的a所以就有了下面的寫法，text()是把element轉(zhuǎn)化為文本，當(dāng)然上面的在后面加個(gè)text（）都可以展示文本內(nèi)容。
tree.xpath('//p[@class="tang"]//li[5]/a/text()')>>['杜牧']
可以看到這個(gè)返回的是一個(gè)列表，如果我們想取里面的字符串，可以這樣
tree.xpath('//p[@class="tang"]//li[5]/a/text()')[0]杜牧
看一個(gè)更直接的，//li 直接定位到 li這個(gè)標(biāo)簽，//text（）直接將這個(gè)標(biāo)簽下的文本提取出來。但要注意，這樣會(huì)把所有的li標(biāo)簽下面的文本提取出來，有時(shí)候你并不想要的文本也會(huì)提取出來，所以最好還是寫詳細(xì)一點(diǎn)，如具體到哪個(gè)p里的li。
tree.xpath('//li//text()')['清明時(shí)節(jié)雨紛紛,路上行人欲斷魂,借問酒家何處有,牧童遙指杏花村', '秦時(shí)明月漢時(shí)關(guān),萬里長征人未還,但使龍城飛將在,不教胡馬度陰山', '岐王宅里尋常見,崔九堂前幾度聞,正是江南好風(fēng)景,落花時(shí)節(jié)又逢君', '杜甫', '杜牧', '杜小月', '度蜜月', '鳳凰臺(tái)上鳳凰游,鳳去臺(tái)空江自流,吳宮花草埋幽徑,晉代衣冠成古丘']
取屬性
比如我想取下面這個(gè)屬性
可以直接用@取屬性
tree.xpath('//p[@class="song"]/img/@src')['http://www.baidu.com/meinv.jpg']
或者如果我想取所有的href這個(gè)屬性，可以看到tang和song的所有href屬性
tree.xpath('//@href')['http://www.song.com/', '', 'http://www.baidu.com', 'http://www.163.com', 'http://www.126.com', 'http://www.sina.com', 'http://www.dudu.com', 'http://www.haha.com']
爬蟲實(shí)戰(zhàn)之58同城房源信息
#導(dǎo)入必要的庫import requestsfrom lxml import etree#URL就是網(wǎng)址，headers看圖一url='https://sh.58.com/ershoufang/'headers={'User-Agent':'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/83.0.4103.7 Safari/537.36'}#對(duì)網(wǎng)站發(fā)起請(qǐng)求page_test=requests.get(url=url,headers=headers).text# 這里是將從互聯(lián)網(wǎng)上獲取的源碼數(shù)據(jù)加載到該對(duì)象中tree=etree.HTML(page_test)#先看圖二的解釋，這里li有多個(gè)，所里返回的li_list是一個(gè)列表li_list=tree.xpath('//ul[@class="house-list-wrap"]/li')#這里我們打開一個(gè)58.txt文件來保存我們的信息fp=open('58.txt','w',encoding='utf-8')#li遍歷li_listfor li in li_list: #這里 ./是對(duì)前面li的繼承，相當(dāng)于li/p... title=li.xpath('./p[2]/h2/a/text()')[0] print(title+'n') #把文件寫入文件 fp.write(title+'n')fp.close()
圖一：
圖二：.
這里我們要提取所有的房源信息，可以看到每個(gè)小節(jié)點(diǎn)的上一個(gè)節(jié)點(diǎn)都是一樣的，我們要提取的是h2節(jié)點(diǎn)a里的房源信息，看圖三
這里每個(gè) /li 節(jié)點(diǎn)里面的子節(jié)點(diǎn)都是一樣的，所以我們可以先找到所有的li節(jié)點(diǎn)，再往下找我們想要的信息
推薦學(xué)習(xí)：python教程
