爬虫的步骤解析内容xpath介绍_Xpath的基本方法和使用详解 Python爬虫中最好用解析库...
在爬虫开发的过程中还有一种解析html的方法,就是xpath,今天这篇文章就来详细介绍一下,至于你以后使用不使用呢就看你自己的个人爱好了。XPath 是一门在 XML 文档中查找信息的语言。XPath 用于在 XML 文档中通过元素和属性进行导航。在您继续学习之前,你应该了解HTML的基本知识。
什么是 XPath?
XPath 使用路径表达式在 XML 文档中进行导航
XPath 包含一个标准函数库
XPath 是 XSLT 中的主要元素
XPath 是一个 W3C 标准
XPath 术语
我们在使用的过程中需要知道下面的内容,使用xpath就是根据节点来提取自己想要的内容的。
父(Parent):每个元素以及属性都有一个父。
子(Children):元素节点可有零个、一个或多个子。
同胞(Sibling):拥有相同的父的节点
先辈(Ancestor):某节点的父、父的父,等等。
后代(Descendant):某个节点的子,子的子,等等。
选取节点
常用的路劲表达式:
表达式
描述
实例
nodename
选取nodename节点的所有子节点
xpath(‘//div’)
选取了div节点的所有子节点
/
从根节点选取
xpath(‘/div’)
从根节点上选取div节点
//
选取所有的当前节点,不考虑他们的位置
xpath(‘//div’)
选取所有的div节点
.
选取当前节点
xpath(‘./div’)
选取当前节点下的div节点
..
选取当前节点的父节点
xpath(‘..’)
回到上一个节点
@
选取属性
xpath(’//@calss’)
选取所有的class属性
二、谓语
谓语被嵌在方括号内,用来查找某个特定的节点或包含某个制定的值的节点
表达式
结果
xpath(‘/body/div[1]’)
选取body下的第一个div节点
xpath(‘/body/div[last()]’)
选取body下最后一个div节点
xpath(‘/body/div[last()-1]’)
选取body下倒数第二个div节点
xpath(‘/body/div[positon()<3]’)
选取body下前两个div节点
xpath(‘/body/div[@class]’)
选取body下带有class属性的div节点
xpath(‘/body/div[@class=”main”]’)
选取body下class属性为main的div节点
xpath(‘/body/div[price>35.00]’)
选取body下price元素值大于35的div节点
三、通配符
Xpath通过通配符来选取未知的XML元素
表达式
结果
xpath(’/div/*’)
选取div下的所有子节点
xpath(‘/div[@*]’)
选取所有带属性的div节点
取多个路径
使用“|”运算符可以选取多个路径
表达式
结果
xpath(‘//div|//table’)
选取所有的div和table节点
Xpath轴
轴可以定义相对于当前节点的节点集
轴名称
表达式
描述
ancestor
xpath(‘./ancestor::*’)
选取当前节点的所有先辈节点(父、祖父)
ancestor-or-self
xpath(‘./ancestor-or-self::*’)
选取当前节点的所有先辈节点以及节点本身
attribute
xpath(‘./attribute::*’)
选取当前节点的所有属性
child
xpath(‘./child::*’)
返回当前节点的所有子节点
descendant
xpath(‘./descendant::*’)
返回当前节点的所有后代节点(子节点、孙节点)
following
xpath(‘./following::*’)
选取文档中当前节点结束标签后的所有节点
following-sibing
xpath(‘./following-sibing::*’)
选取当前节点之后的兄弟节点
parent
xpath(‘./parent::*’)
选取当前节点的父节点
preceding
xpath(‘./preceding::*’)
选取文档中当前节点开始标签前的所有节点
preceding-sibling
xpath(‘./preceding-sibling::*’)
选取当前节点之前的兄弟节点
self
xpath(‘./self::*’)
选取当前节点
功能函数
使用功能函数能够更好的进行模糊搜索
函数
用法
解释
starts-with
xpath(‘//div[starts-with(@id,”ma”)]’)
选取id值以ma开头的div节点
contains
xpath(‘//div[contains(@id,”ma”)]’)
选取id值包含ma的div节点
and
xpath(‘//div[contains(@id,”ma”) and contains(@id,”in”)]’)
选取id值包含ma和in的div节点
text()
xpath(‘//div[contains(text(),”ma”)]’)
选取节点文本包含ma的div节点
xpath实例
from lxml import etree
#转解析类型
xpath_html=etree.HTML(html)
#调用xpath方法
result=xpath_html.xpath('/html/head/title') #返回的是标签对象,看不到我们所需要的内容的
result_text=xpath_html.xpath('/html/head/title/text()') #在后面加上text取文本
#print(result,result_text)
#xpath语法 1.节点 / 2.跨节点 // 3.精确查找://li[@属性="属性值"] 4.属性:@属性
#xpath返回结果为list类型 可以通过下标提取值
#xpath中[]下标从1开始,跨节点是不能按照[]方式提取 只能取 平级关系的标签
#//a[3] 跨节点取a标签 就不能使用[],因为有的a标签不是平级关系
result=xpath_html.xpath('//li') #你可以在后面加上text取文本
result=xpath_html.xpath('//li[@id="menu-item-1"]/text()') #按照属性值进行查找
result=xpath_html.xpath('//li[@id="menu-item-2"]/@href') #一般都是取出href属性
result=xpath_html.xpath('//a[1]/@href')[0] #取出第一个a标签的href属性 xpath[]下标从1开始
result=xpath_html.xpath('//a[2]')
result=xpath_html.xpath('//head/following-sibling::*[1]') #取head的平级标签,正常情况下是取head的子标签
print(result)
由于是演示每个语法的使用,出现先了多个变量名字相同,需要注意一下。基本上知道这些就没有问题了,我们来实战测试一下,随便找一个url,抓取相关内容,采用面向对象的代码格式。在解析数据的时候需要按照先抓大在抓小的原则,这样会减少一些困扰。一般来说web网页中的文章列表都是很有规律的,我们只需要先解析单个文章的标签,里面包含有相关的url,title,article等等一些我们想要的信息,如果你上去就解析url,title的话,就不能保证数据的一致性,两个是独立的信息,你需要另外拼接,可以使用enumerate方法来根据下标组合:
爬虫的步骤解析内容xpath介绍_Xpath的基本方法和使用详解 Python爬虫中最好用解析库...相关推荐
- 爬虫的步骤解析内容xpath介绍_爬虫入门到精通-网页的解析(xpath)
在爬虫入门到精通第五讲中,我们了解了如何用正则表达式去抓取我们想要的内容.这一章我们来学习如何更加简单的来获取我们想要的内容. xpath的解释 XPath即为XML路径语言(XML Path Lan ...
- python编程入门与案例详解-Python爬虫天气预报实例详解(小白入门)
本文研究的主要是Python爬虫天气预报的相关内容,具体介绍如下. 这次要爬的站点是这个:http://www.weather.com.cn/forecast/ 要求是把你所在城市过去一年的历史数据爬 ...
- 【芝麻IP代理】详解Python爬虫必备框架—Scrapy
[芝麻IP代理]Scrapy一个开源和协作的框架,其最初是为了页面抓取 (更确切来说, 网络抓取 )所设计的,使用它可以以快速.简单.可扩展的方式从网站中提取所需的数据.但目前Scrapy的用途十分广 ...
- python爬财务数据_同花顺财经-财务数据爬取思路详解-python爬虫
同样的开头,近日,群友在讨论问题的时候发来一链接,询问如何抓取个股页面上财务指标,好奇心旺盛的博主立马打开网页研究了一番. 网址如下:http://stockpage.10jqka.com.cn/60 ...
- python装饰器详解-python装饰器的详细解析
什么是装饰器? python装饰器(fuctional decorators)就是用于拓展原来函数功能的一种函数,目的是在不改变原函数名(或类名)的情况下,给函数增加新的功能. 这个函数的特殊之处在于 ...
- scrapy爬虫储存到mysql_详解Python之Scrapy爬虫教程NBA球员数据存放到Mysql数据库
获取要爬取的URL 爬虫前期工作 用Pycharm打开项目开始写爬虫文件 字段文件items # Define here the models for your scraped items # # S ...
- python爬取小说出现乱码_详解Python解决抓取内容乱码问题(decode和encode解码)
一.乱码问题描述 经常在爬虫或者一些操作的时候,经常会出现中文乱码等问题,如下 原因是源网页编码和爬取下来后的编码格式不一致 二.利用encode与decode解决乱码问题 字符串在Python内部的 ...
- 详解python中GPU版本的opencv常用方法介绍
更多编程教程请到:菜鸟教程 https://www.piaodoo.com/ 友情链接:好看站 http://www.nrso.net/ 高州阳光论坛https://www.hnthzk.com/ 引 ...
- html子布局不超出父布局,详解flex布局中保持内容不超出容器的解决办法
在移动端,flex 布局很好用,它能够根据设备宽度来自动调整容器的宽度,用起来很方便,已经越来越离不开它,但是最近在做项目的时候发现一个问题. 就是在一个设置了 flex:1 的容器中,如果文字很长, ...
最新文章
- 《嵌入式Linux与物联网软件开发——C语言内核深度解析》一第1章 C语言与内存1.1 引言...
- Android 最简单的基于FFmpeg的移动端例子:Android HelloWorld
- 【MongoDB学习笔记7】深入MongoDB的删除(remove/drop)操作
- boost::process::child相关的测试程序
- 如何处理错误消息Unable to install breakpoint due to missing line number attributes
- 安装mysql后在安装目录下只有my-default.ini没有my.ini文件 解决-The MySQL server is running with the --secure-file-priv
- 使用 nw-builder 构建跨平台桌面应用程序
- 虚幻4属性系统(反射)翻译
- druid数据库连接池整合到SpringMvc
- java的一些小知识总结
- jquery控制只监听数字_如何在jQuery中监听并保持单击?
- 剑指Offer(java版):字符串的排列
- 如何查看Windows8.1计算机体验指数评分
- matlab 画图直接存储_Matlab通过图文件找原始数据
- 界面控件DotNetBar for WinForms使用教程:LayoutControl布局与通用代码设置(三)
- cad批量打印_CAD批量打印PDF软件CAD转PDF自动选纸SmartBatchPlo
- 无人机无线电干扰原理概论
- OpenGL(五)立体图形
- 利用Google Earth卫星图更新地形图地物
- 2020icpc小米决赛K
热门文章
- React 从入门到进阶之路(二)
- iOS开发学无止境 - 只会左键断点?是时候试试这样那样断点了
- 【CUDA学习】计时方法
- [导入]C#中WebService里的回车符\r丢失问题
- oracle从9.2.0.1升级到9.2.0.8步骤
- ES6 深拷贝_JS基本数据类型和引用数据类型的区别及深浅拷贝
- JAVA基础:从一道面试题看逻辑运算符与、|与||的区别
- 控制x86汇编指令eip的方法
- android蓝牙hfp client使用例
- 给android应用程序系统的签名