python爬虫之xpath

来源：互联网发布：土豪直播软件下载编辑：程序博客网时间：2024/04/29 09:33

python爬虫之xpath

XPath是一门语言
XPath可以在xml文件中查找信息
XPath支持HTML
XPath通过元素和属性进行导行
XPath比正则表达式厉害，简单

XPath使用

要使用XPath就必须要在python中安装lxml库

from lxml import etree
selector =etree.HTML(网页源代码）
selector.xpath(xpath语法)

简单语法

// 从匹配选择的当前节点选择文档中的节点
/从根节点往下层寻找
nodename 选取此节点的所有子节点
. 选取当前节点
提取文本内容：/text（）
提取属性内容：/@xxxx

特殊用法

以相同的字符开头：starts-with(@属性名称，属性字符相同部分）
更多内容请参考XPath文档

<div id="test-1">需要内容1</div><div id="test-2">需要内容1</div><div id="test-3">需要内容1</div>

标签嵌套标签：string(.)

<div id="class2">美女，    <font color=red>你的微信是多少？</font></div>

基本使用

#-*-coding:utf8-*-from lxml import etreehtml = '''<!DOCTYPE html><html><head lang="en">    <meta charset="UTF-8">    <title>测试-常规用法</title></head><body><div id="content">    <ul id="useful">        <li>这是第一条信息</li>        <li>这是第二条信息</li>        <li>这是第三条信息</li>    </ul>    <ul id="useless">        <li>不需要的信息1</li>        <li>不需要的信息2</li>        <li>不需要的信息3</li>    </ul>    <div id="url">        <a href="http://jikexueyuan.com">极客学院</a>        <a href="http://jikexueyuan.com/course/" title="极客学院课程库">点我打开课程库</a>    </div></div></body></html>'''selector = etree.HTML(html)#提取文本content = selector.xpath('//ul[@id="useful"]/li/text()')for each in content:    print each#提取属性link = selector.xpath('//a/@href')for each in link:    print eachtitle = selector.xpath('//a/@title')print title[0]

特殊使用

#-*-coding:utf8-*-from lxml import etreehtml1 = '''<!DOCTYPE html><html><head lang="en">    <meta charset="UTF-8">    <title></title></head><body>    <div id="test-1">需要的内容1</div>    <div id="test-2">需要的内容2</div>    <div id="testfault">需要的内容3</div></body></html>'''html2 = '''<!DOCTYPE html><html><head lang="en">    <meta charset="UTF-8">    <title></title></head><body>    <div id="test3">        我左青龙，        <span id="tiger">            右白虎，            <ul>上朱雀，                <li>下玄武。</li>            </ul>            老牛在当中，        </span>        龙头在胸口。    </div></body></html>'''selector = etree.HTML(html1)content = selector.xpath('//div[starts-with(@id,"test")]/text()')for each in content:    print eachselector = etree.HTML(html2)content_1 = selector.xpath('//div[@id="test3"]/text()')for each in content_1:    print eachdata = selector.xpath('//div[@id="test3"]')[0]info = data.xpath('string(.)')content_2 = info.replace('\n','').replace(' ','')print content_2

0 0