XPath

标签：ESS   aci   元素   style   lsp   lan   decode   文本   tor   

xpath(XML Path Language)是一门在XML和HTML文档中查找信息的语言，可以用来在XML和HTML文档中对元素和属性进行遍历。

XPath开发工具

1.Chrome插件XPath Helper。

2.Firefox插件Try XPath。

XPath 使用路径表达式来选取XMl文档中的节点或者节点集。

通过使用路径表达式中的‘|’运算符来选取多个路径：

# 选取所有的book元素以及book元素下所有的title元素
//bookstore/book|//book/title

谓语：

谓语用来查找某个特定的节点或者包含某个指定的值的节点，被嵌在 [] 中。常见的带有谓语的路径表达式及其结果如下所示：

[] 的下标从1开始。

通配符：

* 表示通配符。

XPath语法：

使用方式：

使用//获取整个页面的元素，然后写标签名，再然后写谓词金进行提取。比如：

//div[@class=‘abc‘]

　　需要注意：

1. /  和 // 的区别：/代表只是获取直接子节点。// 获取子孙节点。一般 //用的比较多。

2. contains: 有时某个属性包含多个值，那么可以使用‘contains’函数。

//div[contains(@class,‘job_detail‘)]

 

3. 谓词中的下标是从1开始的。

通过使用 lxml 库来使用XPath语法来解析网页数据。

lxml 是一个HTML/XML的解析器，主要功能是解析和提取HTML和XML数据。lxml 和正则一样，也是用c实现的，是一款高性能的python HTML/XML 

解析器。可以利用XPath语法来快速的定位特定元素以及节点信息。

lxml python官方文档：http://lxml.de/index.html

使用 pip 安装: pip install lxml

使用 lxml 解析HTML代码：

1. 解析 html 字符串(text 是HTML格式的字符串)：使用‘ lxml.etree.HTML‘进行解析。示例代码：

htmlElement = etree.HTML(text)
print(etree.tostring(htmlElement,encoding=‘utf-8‘).decode(‘utf-8‘))

2. 解析html文件：使用‘lxml.etree.parse‘进行解析。示例代码：

htmlElement = etree.parse(‘tencent.html‘)
print(etree.tostring(htmlElement,encoding=‘utf-8‘).decode(‘utf-8‘))

　‘etree.parse‘ 使用的是‘XML’解析器，所以如果碰到一些不规范的‘HTML’代码时就会解析错误，这时就要自己创建‘HTML’解析器。

# etree.HTMLParser 创建一个‘HTML’解析器

parser = etree.HTMLParser(encoding=‘utf-8‘)
htmlElement = etree.parse(‘tencent.html‘,parser=parser)
print(etree.tostring(htmlElement,encoding=‘utf-8‘).decode(‘utf-8‘))

from lxml import etree

"""
1. 获取所有的tr标签
2.获取第二个tr标签
3. 获取所有的class等于even的标签
4. 获取所有a标签的href属性值
5，获取所有的职位信息（纯文本）
"""

parser = etree.HTMLParser(encoding=‘utf-8‘)
html = etree.parse("tencent.html",parser=parser)

# 1. 获取所有tr标签
# xpath函数返回的是一个列表
trs = html.xpath(‘//tr‘)
for tr in trs:
    print(etree.tostring(tr,encoding=‘utf-8‘).decode(‘utf-8‘))

# 2. 获取第二个tr标签
secondtr = html.xpath(‘//tr(2)‘)[0]

# 3. 获取所有的class等于even的标签
trs = html.xpath("//tr[@class="even"]")
for tr in trs:
    print(etree.tostring(tr,encoding=‘utf-8‘).deconde(‘utf-8‘))


# 4. 获取所有a标签的href属性值
"""
获取所有a标签的href属性的值[‘’//a/@href’’]; 
获取所有含有href 属性的 a标签//a[@href]。
"""
alist = html.xpath("//a/@href")
for a in alist:
    print(‘http://hr.tencent.com/‘+a)


# 5. 获取获取所有的职位信息（纯文本）
trs = html.xpath("//tr[position()>1]")
positions = []
for tr in trs:
    href = tr.xpath(".//a/@href")[0]
    fullurl = ‘http://hr.tencent.com/‘+href
    title = tr.xpath("./td[1]//text()")[0]
    category = tr.xpath("./td[2]//text()")[0]
    nums = tr.xpath("./td[3]//text()")[0]
    address = tr.xpath("./td[4]/text()")[0]
    pubtime = tr.xpath(‘./td[5]/text()‘)[0]
    
    
    position = {
        ‘url‘:fullurl,
        ‘title‘:title,
        ‘category‘:category,
        ‘address‘:address,
        ‘pubtime‘:pubtime
    }
    positions.append(position)

View Code

lxml 结合 xpath注意事项：

1. 使用‘xpath’语法应该使用‘Element.xpath‘方法来执行xpath的选择。示例代码：

trs = html.xpath("//tr[positon()>1]")

　　‘xpath‘函数返回的是一个列表。

2， 获取某个标签的属性：

href = html.xpath("//a/@href")

 

3. 通过‘xpath‘中的‘text()’ 函数获取文本。

address = tr.xpath("./td[4]/text()")[0]

　　

 4. 在某个标签下，再执行xpath函数，获取这个标签下的子孙元素，那么应该在‘/’之前加一个点，代表是在当前元素下获取。

XPath

标签：ESS   aci   元素   style   lsp   lan   decode   文本   tor   

原文地址：https://www.cnblogs.com/-hao-/p/13842995.html