我们在写Python爬虫时,经常需要对网页提取信息,如果用传统正则表达去写会增加很多工作量,此时需要一种对数据解析的方法,也就是本章要介绍的Xpath表达式。
Xpath是什么
XPath,全称 XML Path Language,即 XML 路径语言,它是一门在 XML 文档中查找信息的语言。最初是用来搜寻 XML 文档的,但同样适用于 HTML 文档的搜索。所以在做爬虫时完全可以使用 XPath 做相应的信息抽取。
XPath 的选择功能十分强大,它提供了非常简洁明了的路径选择表达式。另外,它还提供超过 100 个内置函数,用于字符串、数值、时间的匹配以及节点、序列的处理等,几乎所有想要定位的节点都可以用 XPath 来选取。
Xpath语法介绍
路径常用规则
表达式 | 描述 | 实例 | |
---|---|---|---|
nodename | 选取此节点的所有子节点 | xpath('//div') | 选取了div节点的所有子节点 |
/ | 从根节点选取 | xpath('/div') | 从根节点上选取div节点 |
// | 选取所有当前节点,不考虑位置 | xpath('//div') | 选取所有的div节点 |
. | 选取当前节点 | xpath('./div') | 选取当前节点下的div节点 |
.. | 选取当前节点的父节点 | xpath('..') | 回到上一个节点 |
@ | 选取属性 | xpath('//@calss') | 选取所有的class属性 |
谓语规则
谓语被嵌在方括号内,用来查找某个特定的节点或包含某个制定的值的节点
表达式 | 结果 |
---|---|
xpath('/body/div[1]') | 选取body下的第一个div节点 |
xpath('/body/div[last()]') | 选取body下最后一个div节点 |
xpath('/body/div[last()-1]') | 选取body下倒数第二个div节点 |
xpath('/body/div[positon()]') | 选取body下前两个div节点 |
xpath('/body/div[@class]') | 选取body下带有class属性的div节点 |
xpath('/body/div[@class="main"]') | 选取body下class属性为main的div节点 |
xpath('/body/div[price>35.00]') | 选取body下price元素值大于35的div节点 |
通配符
通配符来选取未知的XML元素
表达式 | 结果 |
---|---|
xpath('/div/*') | 选取div下的所有子节点 |
xpath('/div[@*]') | 选取所有带属性的div节点 |
取多个路径
使用“|”运算符可以选取多个路径
表达式 | 结果 |
---|---|
xpath('//div|//table') | 选取所有的div和table节点 |
功能函数
使用功能函数能够更好的进行模糊搜索
函数 | 用法 | 解释 |
---|---|---|
starts-with | xpath('//div[starts-with(@id,"ma")]') | 选取id值以ma开头的div节点 |
contains | xpath('//div[contains(@id,"ma")]') | 选取id值包含ma的div节点 |
and | xpath('//div[contains(@id,"ma") and contains(@id,"in")]') | 选取id值包含ma和in的div节点 |
text() | xpath('//div[contains(text(),"ma")]') | 选取节点文本包含ma的div节点 |
语法熟悉
下面举一段HTML文本进行语法热身,代码如下
#!/usr/bin/env python
# -*- coding: utf-8 -*-
# time: 2022/8/8 0:05
# author: gangtie
# email: 648403020@qq.com
from lxml import etree
text = '''
<div>
<ul id='ultest'>
<li class="item-0"><a href="link1.html">first item</a></li>
<li class="item-1"><a href="link2.html">second item</a></li>
<li class="item-inactive"><a href="link3.html">third item</a></li>
<li class="item-1"><a href="link4.html"><span>fourth item</span></a></li>
<li class="item-0"><a href="link5.html">fifth item</a>
</ul>
</div>
'''
# 调用HTML类进行初始化,这样就成功构造了一个XPath解析对象。
# 利用etree.HTML解析字符串
page = etree.HTML(text)
print(type(page))
PYTHON 复制 全屏
可以看到打印结果已经变成XML元素:
<class 'lxml.etree._Element'>
字符串转换HTML
字符串利用etree.HTML解析成html格式:
print(etree.tostring(page,encoding='utf-8').decode('utf-8'))
```
<html><body><div>
<ul id="ultest">
<li class="item-0"><a href="link1.html">first item</a></li>
<li class="item-1"><a href="link2.html">second item</a></li>
<li class="item-inactive"><a href="link3.html">third item</a></li>
<li class="item-1"><a href="link4.html"><span>fourth item</span></a></li>
<li class="item-0"><a href="link5.html">fifth item</a>
</li></ul>
</div>
</body></html>
Process finished with exit code 0
```
经过处理可以看到缺失的</li>
也自动补全了,还自动添加html、body节点。
本站声明:
1. iCode9 技术分享网(下文简称本站)提供的所有内容,仅供技术学习、探讨和分享;
2. 关于本站的所有留言、评论、转载及引用,纯属内容发起人的个人观点,与本站观点和立场无关;
3. 关于本站的所有言论和文字,纯属内容发起人的个人观点,与本站观点和立场无关;
4. 本站文章均是网友提供,不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属;如您发现该文章侵犯了您的权益,可联系我们第一时间进行删除;
5. 本站为非盈利性的个人网站,所有内容不会用来进行牟利,也不会利用任何形式的广告来间接获益,纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。
原创文章,作者:ItWorker,如若转载,请注明出处:https://blog.ytso.com/294380.html