python爬虫之xlml解析库 Python爬虫之xlml解析库(全面了解)
人气:0想了解Python爬虫之xlml解析库(全面了解)的相关内容吗，在本文为您仔细讲解python爬虫之xlml解析库的相关知识和一些Code实例，欢迎阅读和指正，我们先划重点：python爬虫，下面大家一起来学习吧。
1.Xpath
Xpath是一门在XML中查找信息的语言，可用来在XML文档中对元素和属性进行遍历。XQuery和xpoint都是构建于xpath表达之上
2.节点
父（parent），子（children），兄弟（sibling），先辈（ancetstor），后代（Decendant）
3.选取节点
路径表达式
| 表达式 | 描述 | 路径表达式 | 结果 |
| nodename | 选取此节点上的所有的子节点 | bookstore | 选取bookstore元素的所有子节点 |
| / | 从根节点上选取 | /bookstore | 选取根元素bookstore，为绝对路径 |
| // | 从匹配选择的当前节点选择文档中的节点，不考虑位置 | //book | 选取所有的book子元素，而不管他们在文档的位置 |
| . | 选取当前节点 | bookstore//book | 选择bookstore后代中所有的book元素 |
| .. | 选取当前节点的父节点 | ||
| @ | 选取属性 | //@lang | 选取名为lang的所有属性 |
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
谓语被嵌在方括号中
| 路径表达式 | 结果 |
| /bookstore/book[1] | 选取属于bookstore子元素的第一个book元素 |
| /bookstore/book[last()] | 选取属于bookstore子元素的最后book元素 |
| /bookstore/book[last()-1] | 选取属于bookstore子元素的倒数第二个book元素 |
| /bookstore/book[position()<3] | 选取最前面的两个属于bookstore元素的子元素的book元素 |
| //title[@lang='eng'] | 选取所有的title元素，并且这些元素拥有值为eng的lang属性 |
| /bookstore/book[price>35.0] | 选取bookstore元素的所有book元素，且其中的price值大于35.0 |
选取未知节点（通配符）
* 匹配任何 元素节点
@* 匹配任何属性节点
node（） 匹配任何类型的节点
4.lxml用法
#!/usr/bin/python
#_*_coding:utf-8_*_
from lxml import etree
text='''
<div>
<ul>
<li class="item-0"><a href="link1.html" rel="external nofollow" rel="external nofollow" >first item</a></li>
<li class="item-1"><a href="link2.html" rel="external nofollow" >second item</a></li>
<li class="item-inactive"><a href="link3.html" rel="external nofollow" >third item</a></li>
<li class="item-1"><a href="link4.html" rel="external nofollow" >fourth item</a></li>
<li class="item-0"><a href="link5.html" rel="external nofollow" >fifth item</a>
</ul>
</div>
'''
# html=etree.HTML(text) #html对象，存储在地址中，有自动修正功能
# result=etree.tostring(html) #将html对象转化为字符串
html=etree.parse('hello.html')
# result=etree.tostring(html,pretty_print=True)
# print result
print type(html)
result= html.xpath('//li')
print result
print len(result)
print type(result)
print type(result[0])
print html.xpath('//li/@class') # 获取li标签下的所有的class
print html.xpath('//li/a[@href="link1.html" rel="external nofollow" rel="external nofollow" ]') #获取li标签下href为link1的<a>标签
print html.xpath('//li//span') #获取li标签下所有的span标签
print html.xpath('//li[last()-1]/a')[0].text #获取倒数第二个元素的内容
以上这篇Python爬虫之xlml解析库(全面了解)就是小编分享给大家的全部内容了，希望能给大家一个参考，也希望大家多多支持。
加载全部内容