python爬虫xpath的语法
来源:互联网 发布:天刀天香少女捏脸数据 编辑:程序博客网 时间:2024/04/29 06:08
来源:http://www.cnblogs.com/lonenysky/p/4649455.html
python爬虫xpath的语法
有朋友问我正则,,okey,其实我的正则也不好,但是python下xpath是相对较简单的
简单了解一下xpath:
XPath 是一门在 XML 文档中查找信息的语言。XPath 可用来在 XML 文档中对元素和属性进行遍历。
XPath 是 W3C XSLT 标准的主要元素,并且 XQuery 和 XPointer 都构建于 XPath 表达之上。
因此,对 XPath 的理解是很多高级 XML 应用的基础。
这个是w3c上关于xpath的介绍,可以看出xpath是在xml文档中查询信息的语言
在 XPath 中,有七种类型的节点:元素、属性、文本、命名空间、处理指令、注释以及文档(根)节点。XML 文档是被作为节点树来对待的。树的根被称为文档节点或者根节点。
根节点在xpath中可以用“//”来啊表示
XPath 使用路径表达式来选取 XML 文档中的节点或节点集。节点是通过沿着路径 (path) 或者步 (steps) 来选取的。
接下来一个例子
<?xml version="1.0" encoding="ISO-8859-1"?><bookstore><book> <title lang="eng">Harry Potter</title> <price>29.99</price></book><book> <title lang="eng">Learning XML</title> <price>39.95</price></book></bookstore>
这个是基本的语法(掌握了这些基本都可以抓取到):
实例
在下面的表格中,我们已列出了一些路径表达式以及表达式的结果:
选取根元素 bookstore。
注释:假如路径起始于正斜杠( / ),则此路径始终代表到某元素的绝对路径!
bookstore/book选取属于 bookstore 的子元素的所有 book 元素。//book选取所有 book 子元素,而不管它们在文档中的位置。bookstore//book选择属于 bookstore 元素的后代的所有 book 元素,而不管它们位于 bookstore 之下的什么位置。//@lang选取名为 lang 的所有属性。谓语(Predicates)
谓语用来查找某个特定的节点或者包含某个指定的值的节点。
谓语被嵌在方括号中。
实例
在下面的表格中,我们列出了带有谓语的一些路径表达式,以及表达式的结果:
选取未知节点
XPath 通配符可用来选取未知的 XML 元素。
实例
在下面的表格中,我们列出了一些路径表达式,以及这些表达式的结果:
选取若干路径
通过在路径表达式中使用“|”运算符,您可以选取若干个路径。
实例
在下面的表格中,我们列出了一些路径表达式,以及这些表达式的结果:
选取属于 bookstore 元素的 book 元素的所有 title 元素,以及文档中所有的 price 元素。
这些就是xpath的语法内容
在运用到python抓取时要先转换为xml
Import lxml #首先要先导入库
etree.HTML() #这个就是转换为xml的python的语法,HTML括号内填入目标站点的源码,可以参照另一篇博文,《爬虫下载百度贴吧图片》之后各位就可以抓取指定的内容了
XPath 选取节点时使用的表达式是一种路径表达式。节点是通过路径(path)或者步(steps)来选取的。
本章使用以下 XML 文档作为示例。
<?xml version="1.0" encoding="utf8"?><bookstore> <book> <title lang="eng">Harry Potter</title> <price>29.99</price> </book> <book> <title lang="eng">Learning XML</title> <price>39.95</price> </book></bookstore>
选取节点
以下为基本路径的表达方式,记住 XPath 的路径表达式都是基于某个节点之上的,例如最初的当前节点一般是根节点,这与 Linux 下路径切换原理是一样的。
表达式描述nodename选取已匹配节点下名为 nodename 的子元素节点。/如果以 / 开头,表示从根节点作为选取起点。//在已匹配节点后代中选取节点,不考虑目标节点的位置。.选取当前节点。..选取当前节点的父元素节点。@选取属性。>>> from lxml import etree>>> xml = """<?xml version="1.0" encoding="utf8"?><bookstore> <book> <title lang="eng">Harry Potter</title> <price>29.99</price> </book> <book> <title lang="eng">Learning XML</title> <price>39.95</price> </book></bookstore>"""# 得到根节点>>> root = etree.fromstring(xml) >>> print root<Element bookstore at 0x2c9cc88># 选取所有book子元素>>> root.xpath('book') [<Element book at 0x2d88878>, <Element book at 0x2d888c8>]# 选取根节点bookstore>>> root.xpath('/bookstore') [<Element bookstore at 0x2c9cc88>]# 选取所有book子元素的title子元素>>> root.xpath('book/title') [<Element title at 0x2d88878>, <Element title at 0x2d888c8>]# 以根节点为始祖,选取其后代中的title元素>>> root.xpath('//title') [<Element title at 0x2d88878>, <Element title at 0x2d888c8>]# 以book子元素为始祖,选取后代中的price元素>>> root.xpath('book//price') [<Element price at 0x2ca20a8>, <Element price at 0x2d88738>]# 以根节点为始祖,选取其后代中的lang属性值>>> root.xpath('//@lang') ['eng', 'eng']
预判(Predicates)
预判是用来查找某个特定的节点或者符合某种条件的节点,预判表达式位于方括号中。
# 选取bookstore的第一个book子元素>>> root.xpath('/bookstore/book[1]') [<Element book at 0x2ca20a8>]# 选取bookstore的最后一个book子元素>>> root.xpath('/bookstore/book[last()]') [<Element book at 0x2d88878>]# 选取bookstore的倒数第二个book子元素>>> root.xpath('/bookstore/book[last()-1]') [<Element book at 0x2ca20a8>]# 选取bookstore的前两个book子元素>>> root.xpath('/bookstore/book[position()<3]') [<Element book at 0x2ca20a8>, <Element book at 0x2d88878>]# 以根节点为始祖,选取其后代中含有lang属性的title元素>>> root.xpath('//title[@lang]') [<Element title at 0x2d888c8>, <Element title at 0x2d88738>]# 以根节点为始祖,选取其后代中含有lang属性并且值为eng的title元素>>> root.xpath("//title[@lang='eng']") [<Element title at 0x2d888c8>, <Element title at 0x2d88738>]# 选取bookstore子元素book,条件是book的price子元素要大于35>>> root.xpath("/bookstore/book[price>35.00]") [<Element book at 0x2ca20a8>]# 选取bookstore子元素book的子元素title,条件是book的price子元素要大于35>>> root.xpath("/bookstore/book[price>35.00]/title") [<Element title at 0x2d888c8>]
通配符
通配符描述*匹配任何元素。@*匹配任何属性。node()匹配任何类型的节点。# 选取 bookstore 所有子元素>>> root.xpath('/bookstore/*') [<Element book at 0x2d888c8>, <Element book at 0x2ca20a8>]# 选取根节点的所有后代元素>>> root.xpath('//*') [<Element bookstore at 0x2c9cc88>, <Element book at 0x2d888c8>, <Element title at 0x2d88738>, <Element price at 0x2d88878>, <Element book at 0x2ca20a8>, <Element title at 0x2d88940>, <Element price at 0x2d88a08>]# 选取根节点的所有具有属性节点的title元素>>> root.xpath('//title[@*]') [<Element title at 0x2d88738>, <Element title at 0x2d88940>]# 选取当前节点下所有节点。'\n ' 是文本节点。>>> root.xpath('node()') ['\n ', <Element book at 0x2d888c8>, '\n ', <Element book at 0x2d88878>, '\n']# 选取根节点所有后代节点,包括元素、属性、文本。>>> root.xpath('//node()') [<Element bookstore at 0x2c9cc88>, '\n ', <Element book at 0x2d888c8>, '\n ', <Element title at 0x2d88738>, 'Harry Potter', '\n ', <Element price at 0x2d88940>, '29.99', '\n ', '\n ', <Element book at 0x2d88878>, '\n ', <Element title at 0x2ca20a8>, 'Learning XML', '\n ', <Element price at 0x2d88a08>, '39.95', '\n ', '\n']
或条件选取
使用 "|" 运算符,你可以选取符合“或”条件的若干路径。
# 选取所有book的title元素或者price元素>>> root.xpath('//book/title|//book/price') [<Element title at 0x2d88738>, <Element price at 0x2d88940>, <Element title at 0x2ca20a8>, <Element price at 0x2d88a08>]# 选择所有title或者price元素>>> root.xpath('//title|//price') [<Element title at 0x2d88738>, <Element price at 0x2d88940>, <Element title at 0x2ca20a8>, <Element price at 0x2d88a08>]# 选择book子元素title或者全部的price元素>>> root.xpath('/bookstore/book/title|//price') [<Element title at 0x2d88738>, <Element price at 0x2d88940>, <Element title at 0x2ca20a8>, <Element price at 0x2d88a08>]
- python爬虫xpath的语法
- python爬虫xpath的语法
- Python爬虫:Xpath语法笔记
- Python爬虫:Xpath语法笔记
- 三.Python爬虫Xpath语法与lxml库的用法
- Python爬虫:Xpath语法笔记【转载】
- python.scrapy爬虫-xpath查询语法
- 爬虫之xpath语法
- Python爬虫利器三之Xpath语法与lxml库的用法
- Python爬虫利器三之Xpath语法与lxml库的用法
- python之xpath爬虫
- python爬虫之xpath
- Python爬虫XPATH
- 爬虫工具lxml库的使用和Xpath语法
- python xpath 语法
- python爬虫利器-xpath使用
- Python爬虫---数据的提取---正则/Xpath/beautifulsoup--正则
- Python爬虫抓取马蜂窝游记的照片 基于xpath
- poj1436(线段树lazy标记)
- Fedora22上OpenCV的安装
- “无中生有”计算机视觉探奇
- 6_Android Training 学习笔记_ Android 联系人与位置信息
- go web开发之url路由设计
- python爬虫xpath的语法
- css绘图
- android studio 断点调试和高级调试
- 文件夹下批处理excel-R语言
- python学习之 编码
- CSS里常见的块级元素和行内元素
- 通知 和 广播
- n个元素进栈,共有多少种出栈顺序?
- annotation-config, annotation-driven, compont-scan 区别