Python爬蟲中Xpath語法怎么用

這篇“Python爬蟲中Xpath語法怎么用”文章的知識點大部分人都不太理解，所以小編給大家總結了以下內容，內容詳細，步驟清晰，具有一定的借鑒價值，希望大家閱讀完這篇文章能有所收獲，下面我們一起來看看這篇“Python爬蟲中Xpath語法怎么用”文章吧。

什么是 Xpath？

       XPath 即為 XML 路徑語言，它是一種用來確定 XML (標準通用標記語言子集)文檔中某部分位置的語言。XPath 基于 XML 的樹狀結構，提供在數據結構樹中找尋節點的能力。起初 XPath 的提出的初衷是將其作為一個通用的、介于 XPointer 與 XSL 間的語法模型。但是  XPath 很快的被開發者采用來當作小型查詢語言。

       簡單的來說：Xpath（XML Path Language）是一門在 XML 和 HTML 文檔中查找信息的語言，可用來在 XML 和 HTML 文檔中對元素和屬性進行遍歷。

XPath 開發工具

       這里給大家介紹兩個小編用得較多也是用得最為廣泛與便捷的工具：

• Chrome 插件 XPath Helper （需科學上網）；

• Firefox 插件 Try XPath。

       當然 Chrome 插件 XPath Helper 也可以尋找安裝包后通過插件伴侶安裝，安裝方法步驟如下：

1.  打開插件伴侶，選擇下載好的插件；

2. 選擇提取插件內容到桌面，桌面上會多一個文件夾；

3. 把文件夾放入想要放的路徑下；

4. 打開谷歌瀏覽器，選擇擴展程序，開發者模式打開，選擇加載已解壓的擴展程序，選擇路徑打開即可。

XPath 節點

       在 XPath 中，有七種類型的節點：元素、屬性、文本、命名空間、處理指令、注釋以及文檔（根）節點。XML 文檔是被作為節點樹來對待的。樹的根被稱為文檔節點或者根節點。

XPath 語法

       XPath 使用路徑表達式來選取 XML 文檔中的節點或節點集。節點是通過沿著路徑 (path) 或者步 (steps) 來選取的。

       使用方式：

       使用 // 獲取整個頁面當中的元素，然后寫標簽名，然后在寫謂語進行提取，比如：

//title[@lang='en']

       需要注意的知識點：

•  / 和 // 的區別：/ 代表只獲取子節點，// 獲取子孫節點，一般 // 用的比較多，當然也要視情況而定；

• contains：有時候某個屬性中包含了多個值，那么可以使用 contains 函數，示例如下：

//title[contains(@lang,'en')]

• 謂詞中下標是從 1 開始的，不是從 0 開始的

lxml 庫

       lxml 是 一個HTML/XML的解析器，主要的功能是如何解析和提取 HTML/XML 數據。

       該庫為第三方庫需使用 pip 進行安裝，命令如下：

pip install lxml

 基本使用：

       如下是案例實操的 html 文件代碼，屏幕前的小伙伴可以保存下來一起動手練習。

<div>

    <ul>

         <li class="im-0"><a href="link1.html"> first </a></li>

         <li class="im-1"><a href="link2.html"> second </a></li>

         <li class="im-active"><a href="link3.html"> third </a></li>

         <li class="im-1"><a href="link4.html"> fourth </a></li>

         <li class="im-0"><a href="link5.html"> fifth </a>

     </ul>

 </div>

案例 1：將字符串解析為 html 文檔

from lxml import etree

text = ''

html = etree.HTML(text) #讀取

print(html)

# 按字符串序列化html

result = etree.tostring(html).decode('utf-8')

print(result)

案例 2：從文件中讀取 html 代碼：

from lxml import etree

html = etree.parse('hello.html') #讀取

# 按字符串序列化html

result = etree.tostring(html).decode('utf-8')

print(result)

案例 3：在 lxml 中使用 Xpath 語法

from lxml import etree

html = etree.parse('hello.html')

# 獲取所有 li 標簽：

# result = html.xpath('//li')

# print(result)

# for i in result:

#     print(etree.tostring(i))

# 獲取所有li元素下的所有 class 屬性的值：

# result = html.xpath('//li/@class')

# print(result)

# 獲取 li 標簽下 href 為http://www.mlszssj.com/的 a 標簽：

# result = html.xpath('//li/a[@href="http://www.mlszssj.com/"]')

# print(result)

# 獲取 li 標簽下所有 span 標簽：

# result = html.xpath('//li//span')

# print(result)

# 獲取 li 標簽下的 a 標簽里的所有 class：

# result = html.xpath('//li/a//@class')

# print(result)

# 獲取最后一個 li 的 a 的 href 屬性對應的值：

# result = html.xpath('//li[last()]/a/@href')

# print(result)

# 獲取倒數第二個 li 元素的內容：

# result = html.xpath('//li[last()-1]/a')

# print(result)

# print(result[0].text)

# 獲取倒數第二個 li 元素的內容的第二種方式：

result = html.xpath('//li[last()-1]/a/text()')

print(result)

以上就是關于“Python爬蟲中Xpath語法怎么用”這篇文章的內容，相信大家都有了一定的了解，希望小編分享的內容對大家有幫助，若想了解更多相關的知識內容，請關注億速云行業資訊頻道。