xpath解析.lxml解析库
一.定义:
XPath即为XML路径语言,它是一种用来确定XML文档中某部分位置的语言,同样适用于HTML文档的检索
二.示例HTML代码
<ul class="CarList">
<li class="bjd" id="car_001" href="http://www.bjd.com/">
<p class="name">布加迪</p>
<p class="model">威航</p>
<p class="price">2500万</p>
<p class="color">红色</p>
</li>
<li class="byd" id="car_002" href="http://www.byd.com/">
<p class="name">比亚迪</p>
<p class="model">秦</p>
<p class="price">15万</p>
<p class="color">白色</p>
</li>
</ul>
三.匹配演示
1、查找所有的li节点 //li 2、获取所有汽车的名称: 所有li节点下的子节点p的值 (class属性值为name) //li/p[@class="name"] 3、找比亚迪车的信息: 获取ul节点下第2个li节点的汽车信息 //ul[@class="CarList"]/li[2]/p 4、获取所有汽车的链接: ul节点下所有li子节点的href属性的值 //ul[@class="CarList"]/li/@href # 只要涉及到条件,加 [] # 只要获取属性值,加 @
四选取节点
1、// :从所有节点中查找(包括子节点和后代节点) 2、@ :获取属性值 # 使用场景1(属性值作为条件) //div[@class="movie-item-info"] # 使用场景2(直接获取属性值) //div[@class="movie-item-info"]/a/img/@src
五.匹配多路径(或)
xpath表达式1 | xpath表达式2 | xpath表达式3
六.常用函数
1、contains() :匹配属性值中包含某些字符串节点 # 查找id属性值中包含字符串 "car_" 的 li 节点 //li[contains(@id,"car_")] 2、text() :获取节点的文本内容 # 查找所有汽车的价格 //ul[@class="CarList"]/li/p[@class="price"]/text()
匹配规则
1、节点对象列表 # xpath示例:
//div、//div[@class="student"]、//div/a[@title="stu"]/span 2、字符串列表 # xpath表达式中末尾为: @src、@href、text()
xpath高级
1、基准xpath表达式: 得到节点对象列表 2、for r in [节点对象列表]: username = r.xpath('./xxxxxx') # 此处注意遍历后继续xpath一定要以: . 开头,代表当前节点
写程序注意
# 最终目标: 不要使你的程序因为任何异常而终止 1、页面请求设置超时时间,并用try捕捉异常,超过指定次数则更换下一个URL地址 2、所抓取任何数据,获取具体数据前先判断是否存在该数据,可使用列表推到式 # 多级页面数据抓取注意 1、主线函数: 解析一级页面函数(将所有数据从一级页面中解析并抓取)
lxml解析库
安装
sudo pip3 install lxml
使用流程
1、导模块 from lxml import etree 2、创建解析对象 parse_html = etree.HTML(html) #html需字符串res.text 3、解析对象调用xpath r_list = parse_html.xpath('xpath表达式') 用xpath 结果一定是列表
示例:html样本
<div class="wrapper"> <a href="/" id="channel">新浪社会</a> <ul id="nav"> <li><a href="http://domestic.sina.com/" title="国内">国内</a></li> <li><a href="http://world.sina.com/" title="国际">国际</a></li> <li><a href="http://mil.sina.com/" title="军事">军事</a></li> <li><a href="http://photo.sina.com/" title="图片">图片</a></li> <li><a href="http://society.sina.com/" title="社会">社会</a></li> <li><a href="http://ent.sina.com/" title="娱乐">娱乐</a></li> <li><a href="http://tech.sina.com/" title="科技">科技</a></li> <li><a href="http://sports.sina.com/" title="体育">体育</a></li> <li><a href="http://finance.sina.com/" title="财经">财经</a></li> <li><a href="http://auto.sina.com/" title="汽车">汽车</a></li> </ul> </div>
实现代码:
# 创建解析对象 parse_html = etree.HTML(html) # 调用xpath返回结束,text()为文本内容 r1 = parse_html.xpath('//a/text()') #print(r1)
#['新浪社会', '国内', '国际', '军事', '图片', '社会', '娱乐', '科技', '体育', '财经', '汽车']
# 提取所有的href的属性值 r2 = parse_html.xpath('//a/@href')[1:] #print(r2)
#['http://domestic.sina.com/', 'http://world.sina.com/', 'http://mil.sina.com/', 'http://photo.sina.com/', 'http://society.sina.com/', 'http://ent.sina.com/', 'http://tech.sina.com/', 'http://sports.sina.com/', 'http://finance.sina.com/', 'http://auto.sina.com/']
# 提取所有href的值,不包括 / r3 = parse_html.xpath('//ul[@id="nav"]/li/a/@href') #print(r3)
#['http://domestic.sina.com/', 'http://world.sina.com/', 'http://mil.sina.com/', 'http://photo.sina.com/', 'http://society.sina.com/', 'http://ent.sina.com/', 'http://tech.sina.com/', 'http://sports.sina.com/', 'http://finance.sina.com/', 'http://auto.sina.com/']
# 获取 图片、军事、...,不包括新浪社会 r4 = parse_html.xpath('//ul[@id="nav"]/li/a/text()') for r in r4: print(r)
#国内 国际 军事 图片 社会 娱乐 科技 体育 财经 汽车
xpath最常使用方法
1、先匹配节点对象列表 # r_list: ['节点对象1','节点对象2'] r_list = parse_html.xpath('基准xpath表达式') 2、遍历每个节点对象,利用节点对象继续调用 xpath for r in r_list: name = r.xpath('./xxxxxx') star = r.xpath('.//xxxxx') time = r.xpath('.//xxxxx')