使用xpath爬取数据

曾经终败给现在 2023-01-01 03:37 170阅读 0赞

> 使用xpath来提取数据，爬取数据的简单语法。

## 下载模块 ##

*  [快速下载模块][Link 1]

pip install lxml

## 导入模块 ##

from lxml import etree

## 利用xpath获取text或者href内容 ##

/li/a/@href 这样取的应该是href的内容
    /li/a/text() 这样取得是text内容

## etree的使用 ##

h=etree.HTML(response.text)#response.text是网页的源码
    h.xpath('//img')  #寻找所有的img结点,
    h.xpath('//div').xpath('.//img')#寻找所有div下的所有img结点

## xpath的语法 ##

**符号**  
XPath 使用路径表达式在 XML 文档中选取节点。节点是通过沿着路径或者 step 来选取的。

<table> 
 <thead> 
  <tr> 
   <th>表达式</th> 
   <th>描述</th> 
  </tr> 
 </thead> 
 <tbody> 
  <tr> 
   <td>/</td> 
   <td>从根节点选取</td> 
  </tr> 
  <tr> 
   <td>//</td> 
   <td>从匹配选择的当前节点选择文档中的节点，而不考虑它们的位置。</td> 
  </tr> 
  <tr> 
   <td>.</td> 
   <td>选取当前节点。</td> 
  </tr> 
  <tr> 
   <td>. .</td> 
   <td>选取当前节点的父节点。</td> 
  </tr> 
  <tr> 
   <td>@</td> 
   <td>选取属性。</td> 
  </tr> 
  <tr> 
   <td>|</td> 
   <td>在两个中结点中选择</td> 
  </tr> 
  <tr> 
   <td>（）</td> 
   <td>用()来包含|</td> 
  </tr> 
  <tr> 
   <td>*</td> 
   <td>包含所有元素</td> 
  </tr> 
  <tr> 
   <td>not</td> 
   <td>取反</td> 
  </tr> 
 </tbody> 
</table>

**实例**

<table> 
 <thead> 
  <tr> 
   <th>路径表达式</th> 
   <th>结果</th> 
  </tr> 
 </thead> 
 <tbody> 
  <tr> 
   <td>bookstore</td> 
   <td>选取 bookstore 元素的所有子节点。</td> 
  </tr> 
  <tr> 
   <td>/bookstore</td> 
   <td>选取根元素 bookstore。注释：假如路径起始于正斜杠( / )，则此路径始终代表到某元素的绝对路径！</td> 
  </tr> 
  <tr> 
   <td>bookstore/book</td> 
   <td>选取属于 bookstore 的子元素的所有 book 元素。</td> 
  </tr> 
  <tr> 
   <td>//book</td> 
   <td>选取所有 book 子元素，而不管它们在文档中的位置。</td> 
  </tr> 
  <tr> 
   <td>bookstore//book</td> 
   <td>选择属于 bookstore 元素的后代的所有 book 元素，而不管它们位于 bookstore 之下的什么位置。</td> 
  </tr> 
  <tr> 
   <td>//@lang</td> 
   <td>选取名为 lang 的所有属性。</td> 
  </tr> 
  <tr> 
   <td>//*[@class]</td> 
   <td>选取带有class属性的所有元素</td> 
  </tr> 
  <tr> 
   <td>//div[@*]</td> 
   <td>匹配任意属性的div元素</td> 
  </tr> 
  <tr> 
   <td>//a[not(@class)]</td> 
   <td>匹配没有class属性的a元素</td> 
  </tr> 
 </tbody> 
</table>

**谓语**  
带谓语的路径表达式

<table> 
 <thead> 
  <tr> 
   <th>路径表达式</th> 
   <th>结果</th> 
  </tr> 
 </thead> 
 <tbody> 
  <tr> 
   <td>/bookstore/book[1]</td> 
   <td>选取属于 bookstore 子元素的第一个 book 元素。</td> 
  </tr> 
  <tr> 
   <td>/bookstore/book[last()]</td> 
   <td>选取属于 bookstore 子元素的最后一个 book 元素。</td> 
  </tr> 
  <tr> 
   <td>/bookstore/book[last()-1]</td> 
   <td>选取属于 bookstore 子元素的倒数第二个 book 元素。</td> 
  </tr> 
  <tr> 
   <td>/bookstore/book[position()&lt; 3]</td> 
   <td>选取最前面的两个属于 bookstore 元素的子元素的 book 元素。</td> 
  </tr> 
  <tr> 
   <td>//title[@lang]</td> 
   <td>选取所有拥有名为 lang 的属性的 title 元素。</td> 
  </tr> 
  <tr> 
   <td>//title[@lang=‘eng’]</td> 
   <td>选取所有 title 元素，且这些元素拥有值为 eng 的 lang 属性。</td> 
  </tr> 
  <tr> 
   <td>/bookstore/book[price&gt;35.00]</td> 
   <td>选取 bookstore 元素的所有 book 元素，且其中的 price 元素的值须大于 35.00。</td> 
  </tr> 
  <tr> 
   <td>/bookstore/book[price&gt;35.00]/title</td> 
   <td>选取 bookstore 元素中的 book 元素的所有 title 元素，且其中的 price 元素的值须大于 35.00。</td> 
  </tr> 
 </tbody> 
</table>

> 到这里就结束了，如果对你有帮助你，欢迎点赞关注，你的点赞对我很重要

[Link 1]: https://blog.csdn.net/qq_45176548/article/details/111152247