（最全）Xpath、Beautiful Soup、Pyquery三种解析库解析html 功能概括

标签：语言   字符串   nod   html文本   items   tps   amp   文件中   sele   

一、Xpath 解析

? xpath：是一种在XMl、html文档中查找信息的语言，利用了lxml库对HTML解析获取数据。

Xpath常用规则：

  nodename ：选取此节点的所有子节点
  //  :从当前节点选取子孙节点
  / :从当前节点选取子节点
  .   :  选取当前节点
  ..  :  选取当前节点父节点
 @ : 选取属性

1.初始化html

etree.parse()是初始化html构造一个XPath解析对象；
etree.tostring()是修复html文件中代码，把缺的头或尾节点补齐；
result.deode(‘utf-8‘)修复后的HTML代码是字节类型，转化成字符串；

from lxml import etreed

html=etree.parse(‘c:/.../test.html‘,etree.HTMLParser())
result=etree.tostring(html)
result.decode(‘utf-8‘)

2.获取所有节点

Xpath规则一般用 // 开头

例：
html.xpath(‘//*‘) //获取所有的节点
html.xpath(‘//li‘) //获取所有li节点

3.子节点、子孙节点

html.xpath(‘//li/a‘)  //所有li下是所有直接a子节点
html.xpath(‘//ul//a‘) //所有ul下的子孙a节点

4.父节点

html.xpath(‘//a[@href="links.html"]/../@class‘)
 //找到所有a节点中href为links.html的父节点的class值
// ..  来实现查找父节点

5.属性匹配

html.xpath(‘//li[@class="item-0"]‘) //找到class值为item-0是节点

6.文本获取

html.xpath(‘//li[@class="item-0"]/a/text()‘)
或html.xpath(‘//li[@class="item-0"]//text()‘)

7.属性获取

html.xpath(‘//li/a/@href‘)  //找到li下a中的href属性值

8.属性多值匹配

html.xpath(‘//li[contains(@class,"li")]/a/text()‘)    //只要节点属性class中包含li就能匹配出来

9.多属性匹配

html.xpath(‘//li[contains(@class,"li") and @name="item"]/a/text()‘) //匹配节点属性class值为li，name值为item的节点

二、Beautiful Soup 解析

Beautiful Soup是HTML或XML解析库。通过解析文档为用户提供需要抓取的的数据。

需要解析器：lxml HTML解析库、lxml XML解析库、Python标准库、html5lib

基本用法：

from bs4 import BeautifulSoup
soup=BeautifulSoup(html,‘lxml‘)

1.soup.prettify()

调用prettify()方法把要解析的字符串以标准的缩进格式输出

2.节点选择器：

例：soup.title.string

(1)选择元素：
 soup.title、soup.title.sring soup.head soup.p
(2)提取信息：
  1）获取节点名称：soup.title.name
  2) 获取属性:soup.p.attrs、soup.p.attrs[‘name‘]
  3) 获取内容：soup.p.string
(3)嵌套选择：
soup.head.title.string
(4)关联选择：
  enumerate()    //生成器类型

(1)soup.p.contents       //p节点下的直接子节点列表
(2)soup.p.descendants    //p节点下的所有子孙节点（生成器类型）
(3)父节点和祖先节点：soup.p.partent、soup.p.parents
(4)兄弟节点：
   soup.a.next_sibling
   soup.a.previous_sibling
   soup.a.next_siblings
   enumerate(soup.a.pervious_siblings)
(5)提取信息：soup.a.next_sibling.string

3.方法选择器：

find_all(name,attrs,recursive,text,**kwargs)

(1)name:find_all(name=‘li‘)
(2)attrs:find_all(attrs={‘id‘:‘list-1‘})、find_all(class_=‘element‘)
(3)text:匹配节点的文本，find_all(text=‘字符串或正则表达式‘)

特：find()用法与fand_all一样，只不过只匹配第一个元素

4.css选择器

调用select()方法，传入相应css选择器

soup.select(‘.panel.panel-heading‘)
soup.select(‘ul li‘) //所有ul下的所有li
soup.select(‘#list-2.element‘)

(1)嵌套选择：
for ul in soup.select(‘ul‘):
    ul.select(‘li‘)
(2)获取属性：
for ul in soup.select(‘ul‘)
    ul.attrs[‘id‘]
    ul[‘id‘]
(3)获取文本：
for li in soup.select(‘li‘):
    li.get_text()
    lli.string

三、 pyquery 解析

1.初始化：
(1)字符串初始化：

html=‘‘‘ *******
     ‘‘‘
from pyquery import PyQuery as pq
doc=pq(html)
print(doc(‘li‘))

(2)URL初始化
doc=pq(url=" https:/ ... ")

(3)文件初始化
doc=pq(filename=‘demo.html‘)
print(doc(li))

2.基本css选择器

doc(‘#container .list li‘)    //id 为container,class为list下的所有li

3.查找节点

(1)子孙节点、子节点
.find():查找所有子孙节点
items=doc(‘.list‘)
items.find(‘li‘)

.children():查找子节点
items=doc(‘.list‘)
items.children(‘.active‘)

(2)父节点
doc=pq(html)
items=doc(‘.list‘)
items.parent()
祖先节点
items.parents()

(3)兄弟节点
doc=pq(html)
li=doc(‘.lsit .item-0.active‘)
li.siblings(‘.active‘)

4.遍历

用items()函数生成列表生成器进行遍历

doc=pq(html)
lis=doc(‘li‘).items()
for li in lis:
  print(li)

5.获取信息

(1)获取属性
a=doc(‘.item-0.active a‘)
print(a.attr(‘href‘))或print(a.attr.href)
特：attr只会输出第一个a节点属性，要用items()遍历

(2)获取文本
.text()
a=doc(‘.item-0.active a‘)
a.text() //text()函数会输出所有的li文本内容

.html()
li=doc(‘li‘)
li.html() //html()只会输出第一个li节点内的HTML文本

6.节点操作

(1) removeClass addClass
li=doc(‘.item-0.active‘)
print(li)
li.removeClass(‘active‘)   //移除active的class
li.addClass(‘active‘)    //增加active的class

(2) attr text html
li.attr(‘name‘,‘link‘)    //增加属性name=link
li.text(‘changed item‘)   //改变文本 changed item
li.html(<span>changed item </span>)   //改变HTML

(3) remove()
wrap=doc(‘.wrap‘)
wrap.find(‘p‘).remove() //删除wrap中p节点
wrap.text()

特：伪类选择器
选择第一个节点，最后一个节点，奇偶数节点，包含某一文本节点

（最全）Xpath、Beautiful Soup、Pyquery三种解析库解析html 功能概括

标签：语言   字符串   nod   html文本   items   tps   amp   文件中   sele   

原文地址：https://www.cnblogs.com/xubin97/p/10353670.html