使用 lxml 中的 xpath 高效提取文本与标签属性值

布满荆棘的人生 2022-03-16 11:52 237阅读 0赞

**我们爬取网页的目的，无非是先定位到DOM树的节点，然后取其文本或属性值**

myPage = '''<html>
            <title>TITLE</title>
            <body>
            <h1>我的博客</h1>
            <div>我的文章</div>
            <div id="photos">
             <img src="pic1.jpeg"/><span id="pic1">PIC1 is beautiful!</span>
             <img src="pic2.jpeg"/><span id="pic2">PIC2 is beautiful!</span>
             <p><a href="http://www.example.com/more_pic.html">更多美图</a></p>
             <a href="http://www.baidu.com">去往百度</a>
             <a href="http://www.163.com">去往网易</a>
             <a href="http://www.sohu.com">去往搜狐</a>
            </div>
            <p class="myclassname">Hello,\nworld!<br/>-- by Adam</p>
            <div class="foot">放在尾部的其他一些说明</div>
            </body>
            </html>'''
                
    
        html = etree.fromstring(myPage)

# 一、定位 #

divs1 = html.xpath('//div')
        divs2 = html.xpath('//div[@id]')
        divs3 = html.xpath('//div[@class="foot"]')
        divs4 = html.xpath('//div[@*]')
        divs5 = html.xpath('//div[1]')
        divs6 = html.xpath('//div[last()-1]')
        divs7 = html.xpath('//div[position()<3]')
        divs8 = html.xpath('//div|//h1')
        divs9 = html.xpath('//div[not(@*)]')

# 二、取文本 text() 区别 html.xpath(‘string()’) #

text1 = html.xpath('//div/text()')
    text2 = html.xpath('//div[@id]/text()')
    text3 = html.xpath('//div[@class="foot"]/text()')
    text4 = html.xpath('//div[@*]/text()')
    text5 = html.xpath('//div[1]/text()')
    text6 = html.xpath('//div[last()-1]/text()')
    text7 = html.xpath('//div[position()<3]/text()')
    text8 = html.xpath('//div/text()|//h1/text()')

# 三、取属性 @ #

value1 = html.xpath('//a/@href')
    value2 = html.xpath('//img/@src')
    value3 = html.xpath('//div[2]/span/@id')

# 四、定位（进阶） #

# 1.文档(DOM)元素(Element)的find，findall方法 #

divs = html.xpath('//div[position()<3]')
    for div in divs:
        ass = div.findall('a')  # 这里只能找到:div->a, 找不到:div->p->a
        for a in ass:
            if a is not None:
                #print(dir(a))
                print(a.text, a.attrib.get('href')) #文档(DOM)元素(Element)的属性：text, attrib

# 2.与1等价 #

a_href = html.xpath('//div[position()<3]/a/@href')
    print(a_href)

# 3.注意与1、2的区别 #

a_href = html.xpath('//div[position()<3]//a/@href')
        print(a_href)