从0开始学爬虫3之xpath的介绍和使用

Xpath：一种HTML和XML的查询语言，它能在XML和HTML的树状结构中寻找节点

安装xpath:

pip install lxml

HTML

超文本标记语言(HyperText Mark-up Language)，是一种规范，一种标准，是构成网页文档的主要语言

URL

统一资源定位器(Uniform Resource Locator)，互联网上的每个文件都有一个唯一的URL，它包含的信息之处文件的位置以及浏览器应该怎么处理它

Xpath的使用语法：

获取文本：

//标签1[@属性1=”属性值1”]/标签2[@属性2=”属性值2”]/…/text()

获取属性值

//标签1[@属性1=”属性值1”]/标签2[@属性2=”属性值2”]/…/@属性n

使用pycharm虚拟环境安装xpath模块

Xpath使用示例

用来进行xpath测试的网页 static/index.html

<!DOCTYPE html>

<html>

<head>

    <meta charset="utf-8">

    <meta http-equiv="X-UA-Compatible" content="IE=edge">

    <title>网页测试</title>

    <link rel="stylesheet" href="">

</head>

<body>

    <h3>标题</h3>

    <ul>

        <li>内容1</li>

        <li>内容2</li>

        <li class="important">内容3important</li>

        <li>内容4</li>

        <li>内容5</li>

    </ul>

    <div>

        内容未知

    </div>

    <p>

        段落内容 from p

    </p>

    <div id="container">

        段落文字

        <a href="http://www.baidu.com" title="超链接">跳转到百度首页</a>

        <p class="content">

            区块内容1

        </p>

        <p class="content">

            区块内容2

        </p>

        <p class="content">

            区块内容3

        </p>

        <p class="content">

            区块内容4

        </p>

        <p class="content-block">

            区块内容5 from block

        </p>

        <p class="content-block">

            区块内容6 末尾内容

        </p>

        <a href="http://www.so.com" title="超链接">跳转到360搜索首页</a>

    </div>

    <p>

        最后一段文字

    </p>

</body>

</html>

xpath使用示例

#coding=utf-8

from lxml import html

def parse():

    """将html文件中的内容，使用xpath进行提取"""

    # 读取文件中的内容

    f = open('./static/index.html', 'r', encoding='utf-8')

    s = f.read()

    selector = html.fromstring(s)

    # 解析H3标题

    h3 = selector.xpath('/html/body/h3/text()')

    print(h3[0])

    # 解析ul下面的内容

    # ul = selector.xpath('/html/body/ul/li')

    # 双斜线语法

    ul = selector.xpath("//ul/li")

    print(len(ul))

    for li in ul:

        print(li.xpath('text()')[0])

    # 解析ul指定的元素值

    ul2 = selector.xpath('/html/body/ul/li[@class="important"]/text()')

    print(ul2)

    # 解析a标签的内容，拆分的方式

    # a = selector.xpath('//div[@id="container"]/a')

    # 标签内的内容

    # print(a[0].xpath("text()")[0])

    # 得到标签的属性

    # print(a[0].xpath("@href")[0])

    # div[id="container"] 的第二个a标签内容

    # print(a[1].xpath("text()"))

    # print(a[1].xpath("@href")[0])

    # 解析a标签的内容，一次性解析的方式

    a1 = selector.xpath('//div[@id="container"]/a/text()')

    # 标签内容

    print(a1[0])

    # 标签数学

    alink = selector.xpath('//div[@id="container"]/a/@href')

    print(alink[0])

    # 解析p标签

    p = selector.xpath('/html/body/p[last()]/text()')

    print(p[0])

    f.close()

if __name__ == "__main__":

    parse()

当我们在页面中找不到xpath的时候可以使用chrome的copy xpath进行参考

从0开始学爬虫3之xpath的介绍和使用的更多相关文章

  1. 从0开始学爬虫2之json的介绍和使用

    从0开始学爬虫2之json的介绍和使用 Json 一种轻量级的数据交换格式,通用,跨平台 键值对的集合,值的有序列表 类似于python中的dict Json中的键值如果是字符串一定要用双引号 jso ...

  2. 从0开始学爬虫12之使用requests库基本认证

    从0开始学爬虫12之使用requests库基本认证 此处我们使用github的token进行简单测试验证 # coding=utf-8 import requests BASE_URL = " ...

  3. 从0开始学爬虫11之使用requests库下载图片

    从0开始学爬虫11之使用requests库下载图片 # coding=utf-8 import requests def download_imgage(): ''' demo: 下载图片 ''' h ...

  4. 从0开始学爬虫9之requests库的学习之环境搭建

    从0开始学爬虫9之requests库的学习之环境搭建 Requests库的环境搭建 环境:python2.7.9版本 参考文档:http://2.python-requests.org/zh_CN/l ...

  5. 从0开始学爬虫8使用requests/pymysql和beautifulsoup4爬取维基百科词条链接并存入数据库

    从0开始学爬虫8使用requests和beautifulsoup4爬取维基百科词条链接并存入数据库 Python使用requests和beautifulsoup4爬取维基百科词条链接并存入数据库 参考 ...

  6. 从0开始学爬虫4之requests基础知识

    从0开始学爬虫4之requests基础知识 安装requestspip install requests get请求:可以用浏览器直接访问请求可以携带参数,但是又长度限制请求参数直接放在URL后面 P ...

  7. 从0开始学爬虫10之urllib和requests库与github/api的交互

    urllib库的使用 # coding=utf-8 import urllib2 import urllib # htpbin模拟的环境 URL_IP="http://10.11.0.215 ...

  8. 从0开始学爬虫7之BeautifulSoup模块的简单介绍

    参考文档: https://www.crummy.com/software/BeautifulSoup/bs4/doc.zh/ # 安装 beautifulsoup4 (pytools) D:\pyt ...

  9. 一起学爬虫——使用selenium和pyquery爬取京东商品列表

    layout: article title: 一起学爬虫--使用selenium和pyquery爬取京东商品列表 mathjax: true --- 今天一起学起使用selenium和pyquery爬 ...

随机推荐

  1. Python语言程序设计（2）--深入理解python

  2. Dubbo源码分析(6)：Code2

    背景 定义解码和编码方法. Code2是Code的升级版本. 类图 问题 DubboCodec的父类已经实现了Code2接口并且DubboCodec没有实现Code2接口,为什么要implement ...

  3. sentinel主从切换技术

    主从切换技术的方法是: 当主服务器宕机后,需要手动把一台从服务器切换为主服务器, 这就需要人工干预,费事费力,还会造成一段时间内服务不可用. 这不是一种推荐的方式,更多时候,我们优先考虑哨兵模式. 一 ...

  4. LightOJ - 1245 - Harmonic Number (II)（数学）

    链接: https://vjudge.net/problem/LightOJ-1245 题意: I was trying to solve problem '1234 - Harmonic Numbe ...

  5. COGS 1151 活动安排

    - 有 N 场活动,每场活动在特定的时间需要占用场地. - 如果有两场活动需要同一时间占用场地,则不能同时举行 - 问最多能举行多少场活动? 将所有活动按照结束时间从早到晚排序后贪心即可 具体思路看代 ...

  6. webstorm 和 vscode 的纠结

    自从知道了 vscode 之后,尝试了一下后,就开始纠结是否要更换到vscode. 特别是在 webstorm 卡的时候. 也研究了几日 vscode,安装了许多插件. 我是安装插件后, 就开始学习快 ...

  7. Leetcode42. 接雨水

    42. 接雨水 做法 考虑单独一列能生产多少贡献:用左右最大值去接这列的水 \(O(n)\) Code class Solution { public: int mx[1000000],rx[1000 ...

  8. 23种C#设计模式,源码在GitHub ( 具体代码 , 优缺点 , 相关网址) 希望对大家有所帮助

    点击 进入Github 地址

  9. tecplot-计算合速度的一种方法

    原视频下载地址: http://yunpan.cn/cudFwWr8tFsxV  访问密码 75a8

  10. windows命令行操作

    一.打开方式 -  开始菜单  -->  运行 -->  输入cmd -->  回车 二.常用的指令 dir                             - 列出当前目录 ...