0x01 XML 基础

xpath 是在 XML 文档中搜索内容的一门语言

HTML 是 XML 的一个子集

XML 代码举例：

<book>

    <isbn>978xxxxxxxx</isbn>

    <name>XML从入门到精通</name>

</book>

其中：

  1. <book>、<isbn>等称为节点

    1. <book>是<isbn>的父节点
    2. <isbn>是<book>的子节点之一
    3. <isbn>与<name>互为兄弟节点

  2. 通过节点之间的关系，从根节点查找任意节点，如\book\isbn

    xpath 查找原理

0x02 解析 XML

安装 lxml 模块：pip install lxml(4.5.0)

lxml 用法步骤：

  1. 将需要解析的 HTML 内容构造出 etree 对象

  2. 使用 etree 对象的xpath()方法配合 xpath 表达式来完成对数据的提取

    from lxml import etree

html = """
    
<book>
    
    <isbn>978xxxxxxxx</isbn>
    
    <name>XML从入门到精通</name>
    
        <ctx id="111">内容一</ctx>
    
        <ctx id="222">内容二</ctx>
    
        <div>
    
            <ctx id="333">内容三</ctx>
    
        </div>
    
</book>
    
"""
    
et = etree.XML(html)

# 根据节点进行搜索
    
res1 = et.xpath("/book")
    
res2 = et.xpath("/book/isbn")
    
res3 = et.xpath("/book//ctx")
    
res4 = et.xpath("/book/*/ctx")
    
res5 = et.xpath("/book//ctx/text()")    # 获取该节点的文本
    
# 输出结果
    
print(res1)
    
print(res2)
    
print(res3)
    
print(res4)
    
print(res5)

0x03 解析 HTML

测试用 HTML：

<html>

    <head>

        <meta charset="utf-8" >

        <title>页面标题</title>

    </head>

    <body>

        <h1>标题一</h1>

        <h2>标题二</h2>

        <h3>标题一</h3>

        <h4>标题一</h4>

        <a href="http://www.qq.com">腾讯网</a>

        <div id="content" class="default">

            <p>段落</p>

            <a href="http://www.baidu.com">百度</a>

            <a href="http://www.cnblogs.com/SRIGT">我的博客</a>

            <a href="test">测试</a>

            <img src="./logo.ico" />

        </div>

    </body>

</html>

python 代码：

当标签使用不规范时，使用 xpath 爬取会报错

如：

<!-- 不规范 -->

<meta charset="utf-8">

<!-- 规范 -->

<meta charset="utf-8" />


from lxml import etree

et = etree.parse("test.html")

res1 = et.xpath('/html')

res2 = et.xpath("/html/body//a/text()")                     # 所有<a>标签的文本

res3 = et.xpath("/html/body/div/a[1]/text()")               # 第1个<a>标签的文本

res4 = et.xpath("/html/body/div/a[@href='test']/text()")    # 由属性值索引的文本

print(res4)

print()

links = et.xpath("/html/body/div/a")

for link in links:

    res5_1 = link.xpath("./text()")

    print(res5_1)

    res5_2 = link.xpath("./@href")

    print(res5_2)

res6 = et.xpath("/html/body/div/a/@href")

print(res6)

End

Python 爬虫之 xpath的更多相关文章

  1. python爬虫：XPath语法和使用示例

    python爬虫:XPath语法和使用示例 XPath(XML Path Language)是一门在XML文档中查找信息的语言,可以用来在XML文档中对元素和属性进行遍历. 选取节点 XPath使用路 ...

  2. Python爬虫之xpath语法及案例使用

    Python爬虫之xpath语法及案例使用 ---- 钢铁侠的知识库 2022.08.15 我们在写Python爬虫时,经常需要对网页提取信息,如果用传统正则表达去写会增加很多工作量,此时需要一种对数 ...

  3. 非常全的一份Python爬虫的Xpath博文

    非常全的一份Python爬虫的Xpath博文 Xpath 是 python 爬虫过程中非常重要的一个用来定位的一种语法. 一.开始使用 首先我们需要得到一个 HTML 源代码,用来模拟爬取网页中的源代 ...

  4. 【python爬虫】Xpath

    一.xml是什么 1.定义:可扩展标记性语言 2.特点:xml的是具有自描述结构的半结构化数据. 3.作用:xml主要设计宗旨是用来传输数据的.他还可以作为配置文件. 二.xml和html的区别 1. ...

  5. python爬虫中XPath和lxml解析库

    什么是XML XML 指可扩展标记语言(EXtensible Markup Language) XML 是一种标记语言,很类似 HTML XML 的设计宗旨是传输数据,而非显示数据 XML 的标签需要 ...

  6. python爬虫--用xpath爬豆瓣电影

    步骤 将目标网站下的页面抓取下来 将抓取下来的数据根据一定规则进行提取   具体流程 将目标网站下的页面抓取下来 1. 倒库 import requests 2.头信息(有时候可不写) headers ...

  7. Python爬虫：Xpath语法笔记

    一.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 xpat ...

  8. python爬虫之xpath的基本使用

    一.简介 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XPa ...

  9. Python 爬虫知识点 - XPath

    http://cuiqingcai.com/2621.html 一.基础介绍 <bookstore> <book> <title>Harry Potter</ ...

  10. python爬虫-使用xpath方法

    #coding=utf-8 import re from lxml import etree import requests response = requests.get("http:// ...

随机推荐

  1. STL-vector模拟实现

    #pragma once #include<assert.h> #include<iostream> using std::cout; using std::endl; usi ...

  2. 关闭mysql上锁的表/数据

    一.输入查询语句,查看是否有数据被上锁 select * from information_schema.innodb_trx; 取 trx_mysql_thread_id 字段值 kill < ...

  3. Java实现书城项目（增删）

    书城项目 登录 dao 接口:UserDao Users login(String username,String password); 实现:UserDaoImpl QueryRunner quer ...

  4. 辨析Java与网络通信中的编码与解码

    在Java字符流上下文中的编码和解码,以及在网络通信中的编码概念. 在Java中,当我们谈论字符流(如Reader和Writer)时,编码和解码主要涉及将字符数据转换为字节数据,以及将字节数据转换回字 ...

  5. QSAN: A Quantum-probability based Signed Attention Network for Explainable False Information Detection-CIKM20

    一.摘要 在社交媒体上的虚假信息检测具有挑战性,因为它通常需要烦冗的证据收集,但又缺乏可用的比较信息.从用户评论中挖掘出的线索作为群体智慧,可能对这项任务有相当大的好处. 然而,考虑到内容和评论的隐式 ...

  6. C++一些新的特性的理解

    一.智能指针 为什么需要智能指针? 智能指针主要解决一下问题: 内存泄漏:内存手动释放,使用智能指针可以自动释放 共享所有权的指针的传播和释放,比如多线程使用同一个对象时析构的问题. C++里面的四个 ...

  7. Python实现端口扫描

    实验环境 攻击主机IP:172.18.53.145 目标主机IP:172.18.53.28 脚本编写 思路:使用TCP协议遍历连接目标的所有端口,如果连接成功说明该端口开放,为了提升效率,使用多线程执 ...

  8. 开发进阶系列：Java网络通信编程从基础到框架

    一  基本概念 IO(BIO)和NIO的区别:其本质就是阻塞和非阻塞的区别. 阻塞:应用程序在获取网络数据的时候,如果网络传输数据很慢,那程序就一直等着,直到传输完毕为止. 非阻塞:应用程序直接可以获 ...

  9. 快速上手系列：JavaScript进阶

    一.基础 1.在firbug调试器的控制台输出内容. function(){ console.log() } 2.argument.没有形参也可表示传进来的参数,用数组表示,如argument[0], ...

  10. [Oracle]细节、经验

    [版权声明]未经博主同意,谢绝转载!(请尊重原创,博主保留追究权) https://blog.csdn.net/m0_69908381/article/details/131054454 出自[进步* ...