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

    
         
             
         
标题
    
     
        
      
内容1
        
      
内容2
        
      
内容3important
        
      
内容4
        
      
内容5
    
     
    
     
              内容未知    
     
    
        段落内容 from p    
    
     
              段落文字        
      跳转到百度首页        
      
            区块内容1        
        
      
            区块内容2        
        
      
            区块内容3        
        
      
            区块内容4        
        
      
            区块内容5 from block        
        
      
            区块内容6 末尾内容        
        
      跳转到360搜索首页    
     
    
        最后一段文字    

xpath使用示例

#coding=utf-8from lxml import htmldef 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