xpah的使用

目录

基本介绍

基本使用

案例

---

基本介绍

为什么要学习xpath？

1. scrapy框架支持xpath提取

2. selenium 经常使用xpath提取

3. 使用简洁 语法稍稍复杂

xpath是什么？

1. 全称 xml path language

2. 从xml中提取数据的语言

3. bs4按照标签名和属性进行查找， xpath 通过路径查找 也可以按照标签名和属性进行查找，通过一个具体的获得数据

html和lxml和xml：

1. html 超文本标记语言

2. xml 可扩展标记语言

3. lxml python的第三方库 使用lxml下的etree模块把html转化为lxml对象

4. 转换之后才能进行xpath提取

怎么使用？

1. 官方文档 lxml - Processing XML and HTML with Python 英文文档

2. 浏览器插件 chrome浏览器 xpath helper 直接在网页上就行xpath提取

基本使用

# 1 安装
#   pip install lxml
# 2 导包
#   from lxml import etree
# 3 把html文件转为lxml对象
#   xml = etree.HTML(网页源代码)
# 4 使用xpath语句进行提取
#   xml.xpath(xpath语句)

from lxml import etree
 
xml_content = '''
    
        
        bbb
        
            
                
                    
                    
                    
                    JK.Rowing
                    2005
                    29
                
        
    
'''
 
# 把html转化为lxml对象 
# 自动补全
xml = etree.HTML(xml_content)
 
# print(type(xml))
 
# / 从根节点进行选取 默认返回列表
title = xml.xpath('/html/body/bookstore/book/title')[0]
 
 
# etree.tostring(xml,encoding='utf-8') 把lxml对象转为字符串
# print(etree.tostring(xml,encoding='utf-8'))
 
# print(etree.tostring(title,encoding='utf-8'))
 
# // 从当前节点进行选取 不考虑标签的位置
# /text()取出标签内的文本
# print(xml.xpath('//bookstore//title/text()'))
 
# [@属性名] 查找携带lang属性的title标签
# *代表所有的标签名
# print(xml.xpath('//*[@lang]/text()'))
# print(xml.xpath('//title[@lang]/text()'))
 
# [@属性名='属性值']
# *可以用于代替属性名
print(xml.xpath('//*[@*="aaa"]/text()'))
 
 
# /title[2] 取出第n个title标签
print(xml.xpath('//title[1]/text()'))
 
# [/text()='xxxx'] 通过文本进行查找
print(xml.xpath('//*[text()="aaa"]/text()'))
 
# /@属性名 取出属性
print(xml.xpath('//*[text()="bookstore"]/@lang'))
 
# . 选取当前节点
book = xml.xpath('//book/*')
 
print(book.xpath('./title[1]/text()'))
 
# for i in book:
#     print(i.xpath('./text()'))

案例

# https://xiaohua.zol.com.cn/lengxiaohua/
# 需求 爬取标题和正文
from lxml import etree
from fake_useragent import UserAgent
import requests
 
def download(url):
    headers = {
        'user-agent': UserAgent().random
    }
    html = requests.get(url=url,headers=headers)
    return html.text
 
def get_dat(html):
    data_list = []
    xml = etree.HTML(html)
    # titile_list = xml.xpath('//span[@class="article-title"]/a[@target="_blank"]/text()')
    # print(titile_list)
    # text_list = xml.xpath('//div[@class="summary-text"]//text()')
    # print(text_list)
    # 先取大后取小
    li_list = xml.xpath('//ul[@class="article-list"]/li')
    for li in li_list:
        title = li.xpath('.//span[@class="article-title"]/a[@target="_blank"]/text()')
        # strip() 去除字符串头尾的空格 \n
        # text = li.xpath('.//div[@class="summary-text"]//text()')
        # 重点 推导式运用和列表脏数据清理
        text = ''.join([i.strip() for i in li.xpath('.//div[@class="summary-text"]//text()')])
        print(title)
        print(text)
        print('-'*100)
    return data_list
 
#  获取下一页的url 没有则返回空
def get_nexturl(html):
    xml = etree.HTML(html)
    next_url = xml.xpath("//a[text()='下一页']/@href")
    if next_url:
        return 'https://xiaohua.zol.com.cn/'+next_url[0]
    else:
        return None
 
 
 
if __name__ == '__main__':
    url = 'https://xiaohua.zol.com.cn/lengxiaohua/'
    i = 0
    while True:
        html = download(url)
        get_dat(html)
        url = get_nexturl(html)
        i += 1
        print(i)
        if not url:
            break