您好,登錄后才能下訂單哦!
前言
本來(lái)打算寫(xiě)的標(biāo)題是XPath語(yǔ)法,但是想了一下Python中的解析庫(kù)lxml,使用的是Xpath語(yǔ)法,同樣也是效率比較高的解析方法,所以就寫(xiě)成了XPath語(yǔ)法和lxml庫(kù)的用法
XPath 即為 XML 路徑語(yǔ)言,它是一種用來(lái)確定 XML(標(biāo)準(zhǔn)通用標(biāo)記語(yǔ)言的子集)文檔中某部分位置的語(yǔ)言。
XPath 基于 XML 的樹(shù)狀結(jié)構(gòu),提供在數(shù)據(jù)結(jié)構(gòu)樹(shù)中找尋節(jié)點(diǎn)的能力。 XPath 同樣也支持HTML。
XPath 是一門(mén)小型的查詢(xún)語(yǔ)言。
python 中 lxml庫(kù) 使用的是 Xpath 語(yǔ)法,是效率比較高的解析方法。
下面話不多說(shuō)了,來(lái)一起看看詳細(xì)的介紹吧
安裝
為什么要用這個(gè)庫(kù)呢,因?yàn)橐獙?xiě)爬蟲(chóng)啊,利用lxml庫(kù)來(lái)解析 HTML 代碼,同時(shí)lxml也繼承了libxml2的特性自動(dòng)修正HTML代碼,利用pip安裝即可
pip install lxml
XPath語(yǔ)法
XPath是一門(mén)在XML文檔中查找信息的語(yǔ)言,可以用于在XML文檔中通過(guò)元素和屬性進(jìn)行導(dǎo)航
舉個(gè)栗子 😎
我們可以使用XPath提取網(wǎng)站地圖中的所有鏈接,也就是說(shuō)可以使用XPath去找我們HTML中的一些具體的東西
節(jié)點(diǎn)關(guān)系
在XPath中,有七種類(lèi)型的節(jié)點(diǎn):元素、屬性、文本、命名空間、處理指令、注釋以及文檔節(jié)點(diǎn)(或稱(chēng)為根節(jié)點(diǎn))
再舉個(gè)栗子 😎
<urlset> <url> <loc>https://qq52o.me</loc> <lastmod>2018-04-28T19:00:42+00:00</lastmod> <changefreq>daily</changefreq> <priority>1.0</priority> </url> </urlset>
第一個(gè):父(Parent)
每個(gè)元素以及屬性都有一個(gè)父
url元素是 loc、lastmod、changefreq以及 priority元素的父
第二個(gè):子(Children)
元素節(jié)點(diǎn)可有零個(gè)、一個(gè)或多個(gè)子
loc、lastmod、changefreq以及 priority元素都是url元素的子
第三個(gè):同胞(Sibling)
擁有相同的父的節(jié)點(diǎn)
loc、lastmod、changefreq以及 priority元素都是url元素的同胞
第四個(gè):先輩(Ancestor)
某節(jié)點(diǎn)的父、父的父,等等
loc元素的先輩是 url元素和 urlset元素
第五個(gè):后代(Descendant)
某個(gè)節(jié)點(diǎn)的子,子的子,等等
urlset的后代是url、loc、lastmod、changefreq以及 priority元素
如果你分不清楚,就按照子元素從上到下的去找元素節(jié)點(diǎn)
選取節(jié)點(diǎn)
XPath使用路徑表達(dá)式在 XML 文檔中選取節(jié)點(diǎn),節(jié)點(diǎn)是通過(guò)沿著路徑或者 step 來(lái)選取的,也就是上面所說(shuō)的按照子元素從上到下去找元素節(jié)點(diǎn)
這些是最有用的路徑表達(dá)式 💡
表達(dá)式 | 描述 |
---|---|
nodename | 選取此節(jié)點(diǎn)的所有子節(jié)點(diǎn) |
/ | 從根節(jié)點(diǎn)選取 |
// | 從匹配選擇的當(dāng)前節(jié)點(diǎn)選擇文檔中的節(jié)點(diǎn),而不考慮它們的位置 |
. | 選取當(dāng)前節(jié)點(diǎn) |
.. | 選取當(dāng)前節(jié)點(diǎn)的父節(jié)點(diǎn) |
@ | 選取屬性 |
實(shí)例
路徑表達(dá)式 | 結(jié)果 |
---|---|
urlset | 選取urlset元素的所有子節(jié)點(diǎn) |
/urlset | 選取根元素 urlset |
urlset/url | 選取屬于urlset的子元素的所有url元素 |
//url | 選取所有url子元素,而不管它們?cè)谖臋n中的位置 |
urlset//url | 選擇屬于urlset元素的后代的所有url元素,而不管它們位于urlset之下的什么位置 |
//@href | 選取名為href的所有屬性 |
其他XPath語(yǔ)法請(qǐng)參考w3school
XPath實(shí)例測(cè)試
提取本站網(wǎng)站地圖中id屬性為content的的子元素h4的內(nèi)容以及子元素a的href屬性,F(xiàn)12去看代碼找這個(gè)屬性
div的id屬性,下面的子元素h4的內(nèi)容,直接利用 text 方法來(lái)獲取元素的內(nèi)容,然后輸出
這里的子元素層級(jí)關(guān)系必須按順序?qū)懞?,不然?huì)報(bào)錯(cuò)的
IndexError: list index out of range
這就說(shuō)明你的XPath規(guī)則沒(méi)寫(xiě)好,list是一個(gè)空的,沒(méi)有一個(gè)元素
XPath 是一個(gè)非常好用的解析方法,同時(shí)也是作為爬蟲(chóng)學(xué)習(xí)的基礎(chǔ)
總結(jié)
以上就是這篇文章的全部?jī)?nèi)容了,希望本文的內(nèi)容對(duì)大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價(jià)值,如果有疑問(wèn)大家可以留言交流,謝謝大家對(duì)億速云的支持。
免責(zé)聲明:本站發(fā)布的內(nèi)容(圖片、視頻和文字)以原創(chuàng)、轉(zhuǎn)載和分享為主,文章觀點(diǎn)不代表本網(wǎng)站立場(chǎng),如果涉及侵權(quán)請(qǐng)聯(lián)系站長(zhǎng)郵箱:is@yisu.com進(jìn)行舉報(bào),并提供相關(guān)證據(jù),一經(jīng)查實(shí),將立刻刪除涉嫌侵權(quán)內(nèi)容。