优秀的编程知识分享平台

网站首页 > 技术文章 正文

Python爬虫:比bs4还方便的数据解析利器，xpath解析库教程教学

nanyue 2024-11-14 16:47:59 技术文章 2 ℃

XPath语法很多，但我们最常用到的就那么几个，为了我们学习方便，我们只需了解下述！

XPath (XML Path Language) 是一门在 HTML\XML 文档中查找信息的语言，可用来在 HTML\XML 文档中对元素和属性进行遍历。

xpath解析基础

环境安装：

pip install lxml

解析原理：html标签是以树状的形式进行展示

  1. 实例化一个etree对象，且将待解析的页面源码数据加载到该对象中
  2. 调用etree对象的xpath方法结合着不同的xpath表达式实现标签的定位和数据提取

我们来看下这段test.html代码：

<!DOCTYPE html>
<html lang="en">
<head>
    <meta charset="UTF-8">
    <title>测试bs4</title>
</head>
<body>
<div>
    <p>百里守约</p>
</div>
<div class="song">
    <p>李清照</p>
    <p>王安石</p>
    <p>苏轼</p>
    <p>柳宗元</p>
    <a href="http://www.song.com/" title="赵匡胤" target="_self">
        <span>this is span</span>
        宋朝是最强大的王朝，不是军队的强大，而是经济很强大，国民都很有钱</a>
    <a href="" class="du">总为浮云能蔽日,长安不见使人愁</a>
    <img src="http://www.baidu.com/meinv.jpg" alt=""/>
</div>
<div class="tang">
    <ul>
        <li><a href="http://www.baidu.com" title="qing">清明时节雨纷纷,路上行人欲断魂,借问酒家何处有,牧童遥指杏花村</a></li>
        <li><a href="http://www.163.com" title="qin">秦时明月汉时关,万里长征人未还,但使龙城飞将在,不教胡马度阴山</a></li>
        <li><a href="" alt="qi">岐王宅里寻常见,崔九堂前几度闻,正是江南好风景,落花时节又逢君</a></li>
        <li><a href="" class="du">杜甫</a></li>
        <li><a href="" 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">凤凰台上凤凰游,凤去台空江自流,吴宫花草埋幽径,晋代衣冠成古丘</a></li>
    </ul>

</div>

</body>
</html>

实例化etree对象

  • etree.parse('filename'):将本地html文档加载到该对象中
  • etree.HTML(pate_text):网络获取的页面数据加载到该对象

代码如下：

# 使用lxml.etree.parse()解析html文件，该方法默认使用的是“XML”解析器，所以如果碰到不规范的html文件时就会解析错误
# 避免报错 自己创建html解析器，增加parser参数
parser = etree.HTMLParser(encoding="utf-8")
tree = etree.parse('test.html', parser=parser)

标签定位

  • 最左侧的 / :如果xpath表达式最左侧是以/开头，则该xpath表达式一定要从根标签开始定位指定的标签 (标签多了，公式会很长，因此，此方式并不常用)
tree.xpath('/html/head/meta')  # 定位meta
  • 非最左侧的 / :表示一个层级
tree.xpath('/html//meta')  # 定位meta
  • 最左侧的 // ：xpath表达式可以从任意位置进行标签定位
tree.xpath('//mate')  # 定位meta
  • 属性定位：tageName[@attrName="value"]
# 定位到class为song的div下面的所有的p
tree.xpath('//div[@class="song"]/p')

# 打印:[<Element p at 0x256b1982e00>, <Element p at 0x256b1982e40>, <Element p at 0x256b1982e80>, <Element p at 0x256b1982ec0>]
  • 索引定位：tag[index] (索引是从1开始的)
# 定位到class为song的div下面的第二个的p
tree.xpath('//div[@class="song"]/p[2]')

# 打印：[<Element p at 0x1f4a62a2e00>]
  • 还有不常用的定位方式： 模糊匹配等
  • 取文本

/text()：直系文本内容

//text()：所有的文本内容

tree.xpath('//div[@class="song"]/p[2]/text()')

#打印 ['王安石']
  • 取属性：/@attName
tree.xpath('//a[@id="feng"]/@href')
# 打印 ['http://www.haha.com']

tree.xpath('//a[@id="feng"]/@id')
# 打印 ['feng']

Tags：

猜你喜欢

最近发表
标签列表