网页解析库

简介

除了正则表达式外，还有其他方便快捷的页面解析工具

如：lxml (xpath语法) bs4 pyquery等

Xpath 全称XML Path Language, 即XML路径语言，是一门在XML文档中查找信息的语言，同样也适用于HTML文档的搜索。

爬虫 我们需要抓取的只是某个网站或者应用的一部分内容

结构化 先有结构 再有数据 转化为字典处理(如：json => dict)

非结构化 html 正则 lxml bs4等去解析

安装：

pip install beautifulsoup4 -i https://pypi.doubanio.com/simple

pip install lxml [-i https://pypi.doubanio.com/simple]

Xpath术语

在 XPath 中，有七种类型的节点：元素、属性、文本、命名空间、处理指令、注释以及文档（根）节点。XML 文档是被作为节点树来对待的。树的根被称为文档节点或者根节点。

选取节点

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。

参考网站：

最常用的xpath表达式：

 # 获取下一页按钮的链接
 html.xpath(‘//a[text()="下一页"]/@href‘)       # 可以实现翻页
 ?
 # 模糊匹配
 //div[contains(@class, "note")]     # contains方法    包含
 ?
 # 匹配开头
 starts_with()
 ?
 # 匹配结尾
 end_with()

演示

 import requests
 from lxml import etree
 ?
 resp = requests.get(‘https://image.baidu.com‘)
 ?
 html = etree.HTML(resp.text)    # def HTML(text, parser=None, base_url=None):
 ?
 res = html.xpath("/html/body/div//a/text()")    # / 从跟节点开始匹配到div下a标签的子孙节点下的文本
 html.xpath("//li/a/text()")     # // 代表从文档的任何一个位置(节点)开始
 ?
 # 注意xpath中位置对象的获取：/li[1]:第一个，li[last()]最后一个，li[last()-1]倒数第二个
 html.xpath("//ul/li[2]/a/@href")
 ?
 # 选择最后一个li对象的class属性
 print(html.xpath("//ul/li[last()]/@class"))
 ?
 # string: 获取表达式下的所有文本信息  一定和text的区别
 print(html.xpath("//div/text()"))   # 直接子节点,文本信息
 ?
 # 若是具体某一个标签, 那么即便是该文档有多个这样的标签, string只会获取第一个标签的文本内容
 print(repr(html.xpath("string(//div/ul/li/a)")))

谓语（Predicates）

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。

实例

属性多值匹配【contains()函数】

模糊匹配，只要包含该属性的都会匹配

第一个参数传入属性名称，第二个参数传入属性值

 from lxml import etree
 ?
 text = """
 <li class=‘li li-first‘><a href=‘link1.html‘>first item</a></li>
 <li class=‘li li-seconde‘><a href=‘link2.html‘>seconde item</a></li>
 """
 html = etree.HTML(text)
 result = html.xpath(‘//li[contains(@class, "li")]/a/text()‘)    # 包含class属性 li
 print(result)
 ?

xpath还支持运算符，如and or + - 等

 selector.xpath(‘//input[@id="info" and @name="username"]‘)
 ?
 # | 多个表达式匹配；| 代表逻辑或, 当我匹配的时候符合a表达式或b表达式的数据都会匹配
 html.xpath("//li/a[@href=‘link5.html‘]/text() | //li/a[@href=‘link2.html‘]/text()")

选取未知节点

XPath 通配符可用来选取未知的 XML 元素。

xpath匹配到会返回一个列表类型，支持索引、切片、遍历

XPath 轴

轴可定义相对于当前节点的节点集。

实例

XPath 运算符

下面列出了可用在 XPath 表达式中的运算符：

网页解析库-Xpath语法

原文：https://www.cnblogs.com/yelan5222/p/12080268.html