當前位置:首頁 > IT技術 > 編程語言 > 正文

Python爬蟲-Xpath語法與lxml庫的用法(二)
2022-08-29 23:54:55

一、 安裝

pip方式安裝

pip install lxml

二、 Xpath術語

2.1 節點

在 XPath 中,有七種類型的節點:元素、屬性、文本、命名空間、處理指令、注釋以及文檔(根)節點。XML 文檔是被作為節點樹來對待的。樹的根被稱為文檔節點或者根節點。
請看下面這個 XML 文檔:

<?xml version="1.0" encoding="ISO-8859-1"?>

<bookstore>

<book>
  <title lang="en">Harry Potter</title>
  <author>J K. Rowling</author> 
  <year>2005</year>
  <price>29.99</price>
</book>

</bookstore>

上面的XML文檔中的節點例子:

<bookstore> (根節點)
<author>J K. Rowling</author> (元素節點)
lang="en" (屬性節點) 

2.2 節點關系

父(Parent)
每個元素以及屬性都有一個父。
在下面的例子中,book 元素是 title、author、year 以及 price 元素的父:

<book>
  <title>Harry Potter</title>
  <author>J K. Rowling</author>
  <year>2005</year>
  <price>29.99</price>
</book>

子(Children)
元素節點可有零個、一個或多個子。
在下面的例子中,title、author、year 以及 price 元素都是 book 元素的子:

<book>
  <title>Harry Potter</title>
  <author>J K. Rowling</author>
  <year>2005</year>
  <price>29.99</price>
</book>

兄弟(Sibling)

擁有相同的父的節點
在下面的例子中,title、author、year 以及 price 元素都是兄弟:

<book>
  <title>Harry Potter</title>
  <author>J K. Rowling</author>
  <year>2005</year>
  <price>29.99</price>
</book>

先輩(Ancestor)
某節點的父、父的父,等等。
在下面的例子中,title 元素的先輩是 book 元素和 bookstore 元素:

<bookstore>

<book>
  <title>Harry Potter</title>
  <author>J K. Rowling</author>
  <year>2005</year>
  <price>29.99</price>
</book>

</bookstore>

后代(Descendant)
某個節點的子,子的子,等等。
在下面的例子中,bookstore 的后代是 book、title、author、year 以及 price 元素:

2.3 選取節點

XPath 使用路徑表達式在 XML 文檔中選取節點。節點是通過沿著路徑或者 step 來選取的。
下面列出了最有用的路徑表達式:


表達式

描述
nodename 選取此節點的所有子節點
/ 從根節點選取
// 從匹配選擇的當前節點選擇文檔中的節點,而不考慮它們的位置。
. 選取當前節點
選取當前節點的父節點
@ 選取屬性

實例

在下面的表格中,我們已列出了一些路徑表達式以及表達式的結果:

謂語(Predicates)
謂語用來查找某個特定的節點或者包含某個指定的值的節點。
謂語被嵌在方括號中。

實例

在下面的表格中,我們列出了帶有謂語的一些路徑表達式,以及表達式的結果:

選取未知節點
XPath 通配符可用來選取未知的 XML 元素。

?在下面的表格中,我們列出了一些路徑表達式,以及這些表達式的結果:

選取若干路徑
通過在路徑表達式中使用“|”運算符,您可以選取若干個路徑。

2.4 XPath 實例

# -*- coding: utf-8 -*-

from lxml import etree


text = """
<div class="wrapper">
    <i class="iconfont icon-back" id="back"></i>
    <a rel="nofollow" href="/" id="channel">新浪社會</a>
    <ul id="nav">
        <li><a rel="nofollow"  title="國內">國內</a></li>
        <li><a rel="nofollow"  title="國際">國際</a></li>
        <li><a rel="nofollow"  title="軍事">軍事</a></li>
        <li><a rel="nofollow"  title="圖片">圖片</a></li>
        <li><a rel="nofollow"  title="社會">社會</a></li>
        <li><a rel="nofollow"  title="娛樂">娛樂</a></li>
        <li><a rel="nofollow"  title="科技">科技</a></li>
        <li><a rel="nofollow"  title="體育">體育</a></li>
        <li><a rel="nofollow"  title="財經">財經</a></li>
        <li><a rel="nofollow"  title="汽車">汽車</a></li>
    </ul>
    <i class="iconfont icon-liebiao" id="menu"></i>
</div>
"""

# 創建html對象
html = etree.HTML(text)

# 獲取所有a標簽的href內容
results = html.xpath('//a/@href')
print(results)
# 獲取所有id為channel的a標簽的href內容
results2 = html.xpath('//a[@id="channel"]/@href')
print(results2)
# 獲取所有li標簽下的a標簽的文本內容
results3 = html.xpath('//li/a/text()')
print(results3)

運行結果如下:

['/', 'http://domestic.firefox.sina.com/', 'http://world.firefox.sina.com/', 'http://mil.firefox.sina.com/', 'http://photo.firefox.sina.com/', 'http://society.firefox.sina.com/', 'http://ent.firefox.sina.com/', 'http://tech.firefox.sina.com/', 'http://sports.firefox.sina.com/', 'http://finance.firefox.sina.com/', 'http://auto.firefox.sina.com/']
['/']
['國內', '國際', '軍事', '圖片', '社會', '娛樂', '科技', '體育', '財經', '汽車']

  

備注:

Ranorex Selocity 類似firepath的chrome插件  

http://crx4.com/8198.html

?

?

  

  

  

  

  

本文摘自 :https://www.cnblogs.com/

開通會員,享受整站包年服務立即開通 >
欧美五月丁香六月综合合_成年在线视频免费观看完整版_交换国产精品视频一区_免费一本色道久久一区