python3学习-lxml模块

在爬虫的学习中，我们爬取网页信息之后就是对信息项匹配，这个时候一般是使用正则。但是在使用中发现正则写的不好的时候不能精确匹配（这其实是自己的问题！）所以就找啊找。想到了可以通过标签来进行精确匹配岂不是比正则要快。所以找到了lxml。

因为lxml是对xml格式的解析，支持html格式，而对于xml格式的解析有一门专用的语言，XPath。XPath用于在xml文档中通过元素和属性进行导航。lxml库也是解析xml文件，所以也应用了XPath语法。我们先学习一下XPath 的标准语法，然后将这些语法知识应用到lxml之中。

大家应该对xml或者是html都不陌生，默认大家都知道，所以就简单介绍。

节点关系

父子节点(Parent children)

<div class="all">    <div class="sub"></div></div>

无需解释。

兄弟节点(sibling)

<div class="all">    <div class="sibling"></div>    <div class="sibling"></div></div>

无需解释。

先辈(Ancestor)后代(Descendant)

<div class="grandpa">    <div class="all">        <div class="sibling"></div>        <div class="sibling"></div>    </div></div>

节点选择

表达式 描述 nodename 选取此节点的所有子节点 / 此路径运算符出现在模式开头时，表示应从根节点选择 // 从当前节点开始递归下降，此路径运算符出现在模式开头时，表示应从根节点递归下降。 . 选取当前节点 .. 选取当前节点的父节点 @ 选取属性 * 通配符.选择所有元素节点与元素名无关 @ 选取属性 @* 选取所有属性 : 命名空间分隔符；将命名空间前缀与元素名或属性名分隔 () 括号运算符(优先级最高)，强制运算优先级 [] 应用筛选模式（即谓词，包括”过滤表达式”和”轴（向前/向后）”） | 两个节点集合的联合,eg:/div/a | //div/span @ 选取属性

匹配未知节点

通配符 描述 * 匹配任何节点 @* 匹配任何属性节点 node() 匹配任何类型的节点

实例

下面我们通过一些例子看一下谓词+表达式的综合：

路径表达式 结果 /node() 根元素下所有的节点（包括文本节点，注释节点等） /text() 查找文档根节点下的所有文本节点 /div/a[1] 选取属于div的第一个a元素 /div/a[1] 选取属于div的第一个a元素 /div/a[last()] 选取属于div的子元素中倒数第一个a元素 /div/a[last()-1] 选取属于div的子元素中倒数第二个a元素 /div/a[position()