Python爬虫学习第三章-4.1.1-xpath解析概述

  这一节主要是介绍xpath

1、xpath解析原理：

1. 实例化一个etree类的的对象，并且需要将被解析的List item页面源码数据加载到该对象中。
2. 调用etree对象中的xpath方法并结合着xpath表达式实现标签的定位和内容的捕获（捕获到的是标签或者标签属性中的文本内容）。

2、如何实例化一个etree类的对象：先from lxml import etree

• 将本地的html文档中的源码数据加载到etree对象中：可以调用etree.parse(HtmlFilePath)返回一个etree对象，其中参数是html文件的路径。
• 可以将从互联网上获取的页面源码数据加载到该对象中：etree.HTML('page_text'),page_text是从互联网上获取的响应数据
• 实例化etree对象完成后，就可以调用xpath(‘xpath表达式’)方法（返回的是一个列表），关键就是xpath表达式的编写，可以根据不同的xpath表达式定位到不同的标签以及捕获标签中的文本数据

3、xpath表达式（xpath函数返回的是一个列表）：

• 形如’/html/body/div’：左边/表示的是从根节点开始定位，中间的‘/’表示一个层级,‘/’就相当于bs4中‘>’;‘//’表示的是多个层级，相当都bs4中的空格，也可以表示从任意地方开始定位。例如tree.xpath('/html/body/div')和tree.xpath('/html//div')返回相同的内容，tree.xpath('//div')是从任意位置找div标签，也就是找html文件中的所有div标签。
• 利用xpath进行定位：
  • 利用xpath进行属性定位:例如定位到指定class='song’的div，可以用tree.xpath('//div[@class="song"]')，其中@是固定符号，通用写法是：tagName[@attrName="attrValue"]。
  • 利用xpath进行索引定位：例如定位到body下面，class属性值为song的div标签中的第三个p标签（<p>苏轼</p>），可以用tree.xpath('//div[@class="song"]/p[3]')，注意索引是从1开始。
• 如何从xpath方法返回的element对象列表中取文本、取属性：

  • 取文本：取的是标签中间的文本内容，用/text()或者//text()。比如取“杜牧”这两个字，而这两个字在class属性值为tang的div标签下面的ul标签下面的li标签下面的a标签中，所以可以通过层级来进行定位a标签，在HTML文件中源代码如下：

    <div class="tang">
    	<ul>
    		<li><a href="http://www.baidu.com" title="qing">清明时节雨纷纷，路上行人欲断魂</a> </li>
    		<li><a href="http://www.163.com" title="qin">秦时明月汉时关，万里长征人未还</a> </li>
    		<li><a href="http://www.126.com" title="qi">歧王宅里寻常见，崔九堂前几度闻</a> </li>
    		<li><a href="http://www.sina.com" title="du">杜甫</a> </li>
    		<li><a href="http://www.dudu.com" title="du">杜牧</a> </li>
    		<li><b>杜小月</b></li>
    		<li><i>度蜜月</i></li>
    		<li><a href="http://www.haha.com" id="feng">凤凰台上凤凰游，凤去台空江自流</a></li>
    	</ul>
    </div>
    

    可以通过下面的代码获取数据：

    d = tree.xpath('//div[@class="tang"]/ul/li[5]/a')
    print(d)
    #输出的是：[<Element a at 0x2417b236788>]
    d_List_text = tree.xpath('//div[@class="tang"]/ul/li[5]/a/text()') #在最后加个text()就可以取到内容
    print(d_List_text)
    #输出的是：['杜牧']
    d_text = tree.xpath('//div[@class="tang"]/ul/li[5]/a/text()')[0]  # 在最后加个text()就可以取到内容
    print(d_text)
    #输出的是：杜牧
    

    注意获取的是直系标签中的内容，比如tree.xpath('//li[7]/text()')返回的是空列表，但tree.xpath('//li[7]//text()')或tree.xpath('//li[7]/i/text()')就能返回内容。
    也可以这样总结：
          /text() 获取的是标签中直系的文本内容
          //text() 获取的是标签中非直系的文本内容（也就是标签中所有的文本内容）

  • 取属性:取的是定位到的标签中的属性的属性值，用/@属性名称。比如取class属性值为tang的div标签下的img标签当中的src属性值。在html文件中源码如下：

    <div class="song">
    	<p>李清照</p>
        <p>王安石</p>
        <p>苏轼</p>
        <p>柳宗元</p>
        <a href="http://www.song.com/" title="赵匡胤" target="_self">
        	<span>this is span</span>
                       宋朝是最强大的王朝，不是军队的强大，而是经济很强大，国民都很有钱</a>
        <a href="" class="du">总为浮云能避日，长安不见使人愁</a>
        <img src="http://www.baidu.com/meinv.jpg" alt="" />
    </div>
    

    可以通过下面的代码获取数据：

    h = tree.xpath('//div[@class="song"]/img/@src')  #取属性值可以是/@属性名称
    print(h)
    #输出的是：['http://www.baidu.com/meinv.jpg']