lxml 和 XPah （爬虫）
生活随笔
收集整理的這篇文章主要介紹了
lxml 和 XPah （爬虫）
小編覺得挺不錯的,現在分享給大家,幫大家做個參考.
lxml 和 XPah （爬蟲）
- XPath 的基本語法規則
- 獲取內容
- 集合的概念
- 屬性匹配與獲取
- 按序選擇節點
XPath 的基本語法規則
| nodename | 選取此節點的作用子節點 |
| / | 從當前節點選取直接子節點 |
| // | 從當前節點選取子孫節點 |
| . | 選取當前節點 |
| … | 選取當前節點的父節點 |
| @ | 選取屬性 |
注意：
-
通過X Path定位節點返回的是節點集合，即使只有一個節點，返回的也是一個節點集合。
-
使用XPath分析的HTML文檔并不一定是標準的，可以沒有像 <html>、<head>、<body> 這些節點。任何一段符合HTML語法標準的代碼都可以使用XPah進行定位。
獲取內容
- 通過getroot方法獲得根節點
- 通過get方法獲得節點屬性值，
- 通過text方法屬性獲取節點內容，通過索引的方式引用子節點。
如有一個下面的HTML
html = ''' <div> <ul> <li class="item1"><a href ="http:1">1</a><p>11</p></li> <li class="item2"><a href ="http:2">2</a></li> <li class="item3"><a href ="http:3">3</a></li> </ul> </div>集合的概念
下面代碼：
from lxml import etree # 分析HTML代碼 tree = etree.HTML(html) # 使用 xpath 定位 aTags = tree.xpath("//li") print(aTags[0][0].text) # 對應<a> print(aTags[0][1].text) # 對應<p> print(aTags[1][0].text) # 輸出 1 11 2.分析
- //：由上面的語法規則，這個當前節點指的是html這個整體，即文檔節點。所以這樣可以的到<div>、<ul>、<li>在內的節點
- li：是語法規則第一條，就是選取所有節點名為li
- 之后返回是一個集合，因為在該案列中有三個，所以可以想象成是一個二維集合。其中在li中的每一個標簽一同構成了一個二維數組
屬性匹配與獲取
比較常用的匹配就是根據屬性值來選取節點。引用屬性值需要在屬性名前面加@，如@class表示class屬性。
XPath 的過濾條件需要放到一對中括號([…])中，如'//a[@class="item1"]'表示過濾所以class屬性值為item1的<a>節點。如果不放在括號里，如‘//a/@href'表示獲取<a>節點的href屬性值。
如上面的例子我們要獲取第二個li 可以這樣寫：
aTags = tree.xpath("//li[@class='item2']")按序選擇節點
在很多時候，在選中某些節點時，按一些屬性進行匹配，可能同時有多個節點滿足條件，而只想得到其中的一個或幾個節點。
這時就要使用索引的方式獲取特定的節點。在X Path中使用索引的方式與 Python 中引用列表中元素的方式類似，都是在中括號中使用索引，
如上面的例子我們要獲取第二個li 也可以這樣寫：
aTags = tree.xpath("//li[2]")注意：在這里下標是從1開始的。
總結
以上是生活随笔為你收集整理的lxml 和 XPah （爬虫）的全部內容，希望文章能夠幫你解決所遇到的問題。
- 上一篇： 看小说有广告？不可能的，分分钟教你爬取小
- 下一篇： 还不知道要看什么小说嘛？爬取小说网站前1