Python爬蟲之xlml解析庫(全面了解)

更新時(shí)間：2017年08月08日 08:39:51 投稿：jingxian

下面小編就為大家?guī)硪黄狿ython爬蟲之xlml解析庫(全面了解)。小編覺得挺不錯(cuò)的，現(xiàn)在就分享給大家，也給大家做個(gè)參考。一起跟隨小編過來看看吧

1.Xpath

Xpath是一門在XML中查找信息的語言，可用來在XML文檔中對(duì)元素和屬性進(jìn)行遍歷。XQuery和xpoint都是構(gòu)建于xpath表達(dá)之上

2.節(jié)點(diǎn)

父（parent），子（children），兄弟（sibling），先輩（ancetstor），后代（Decendant）

3.選取節(jié)點(diǎn)

路徑表達(dá)式

表達(dá)式	描述	路徑表達(dá)式	結(jié)果
nodename	選取此節(jié)點(diǎn)上的所有的子節(jié)點(diǎn)	bookstore	選取bookstore元素的所有子節(jié)點(diǎn)
/	從根節(jié)點(diǎn)上選取	/bookstore	選取根元素bookstore，為絕對(duì)路徑
//	從匹配選擇的當(dāng)前節(jié)點(diǎn)選擇文檔中的節(jié)點(diǎn)，不考慮位置	//book	選取所有的book子元素，而不管他們?cè)谖臋n的位置
.	選取當(dāng)前節(jié)點(diǎn)	bookstore//book	選擇bookstore后代中所有的book元素
..	選取當(dāng)前節(jié)點(diǎn)的父節(jié)點(diǎn)
@	選取屬性	//@lang	選取名為lang的所有屬性

謂語

　　謂語用來查找某個(gè)特定的節(jié)點(diǎn)或者包含某個(gè)指定的值的節(jié)點(diǎn)

　　謂語被嵌在方括號(hào)中

路徑表達(dá)式	結(jié)果
/bookstore/book[1]	選取屬于bookstore子元素的第一個(gè)book元素
/bookstore/book[last()]	選取屬于bookstore子元素的最后book元素
/bookstore/book[last()-1]	選取屬于bookstore子元素的倒數(shù)第二個(gè)book元素
/bookstore/book[position()<3]	選取最前面的兩個(gè)屬于bookstore元素的子元素的book元素
//title[@lang='eng']	選取所有的title元素，并且這些元素?fù)碛兄禐閑ng的lang屬性
/bookstore/book[price>35.0]	選取bookstore元素的所有book元素，且其中的price值大于35.0

選取未知節(jié)點(diǎn)（通配符）

*　　匹配任何元素節(jié)點(diǎn)

@*　　匹配任何屬性節(jié)點(diǎn)

node（）　　匹配任何類型的節(jié)點(diǎn)

4.lxml用法

#!/usr/bin/python
#_*_coding:utf-8_*_

from lxml import etree

text='''
<div>
 <ul>
  <li class="item-0"><a href="link1.html" rel="external nofollow" rel="external nofollow" >first item</a></li>
  <li class="item-1"><a href="link2.html" rel="external nofollow" >second item</a></li>
  <li class="item-inactive"><a href="link3.html" rel="external nofollow" >third item</a></li>
  <li class="item-1"><a href="link4.html" rel="external nofollow" >fourth item</a></li>
  <li class="item-0"><a href="link5.html" rel="external nofollow" >fifth item</a>
 </ul>
</div>
  '''

# html=etree.HTML(text) #html對(duì)象，存儲(chǔ)在地址中，有自動(dòng)修正功能
# result=etree.tostring(html) #將html對(duì)象轉(zhuǎn)化為字符串

html=etree.parse('hello.html')
# result=etree.tostring(html,pretty_print=True)
# print result
print type(html)
result= html.xpath('//li')
print result
print len(result)
print type(result)
print type(result[0])
print html.xpath('//li/@class') # 獲取li標(biāo)簽下的所有的class
print html.xpath('//li/a[@href="link1.html" rel="external nofollow" rel="external nofollow" ]') #獲取li標(biāo)簽下href為link1的<a>標(biāo)簽
print html.xpath('//li//span') #獲取li標(biāo)簽下所有的span標(biāo)簽
print html.xpath('//li[last()-1]/a')[0].text #獲取倒數(shù)第二個(gè)元素的內(nèi)容

以上這篇Python爬蟲之xlml解析庫(全面了解)就是小編分享給大家的全部內(nèi)容了，希望能給大家一個(gè)參考，也希望大家多多支持腳本之家。

您可能感興趣的文章: